論文の概要: Recovering Black-Box Point Cloud Models from Pose Shifts via Derivative-Free Optimization

• arxiv url: http://arxiv.org/abs/2610.34850v1
• Date: Mon, 26 Oct 2026 05:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.758856
• Title: Recovering Black-Box Point Cloud Models from Pose Shifts via Derivative-Free Optimization
• Title（参考訳）: デリバティブフリー最適化によるポーズシフトからブラックボックスポイントクラウドモデルを復元する
• Abstract要約: CanDOは、前方クエリのみを使用して損失パフォーマンスを回復するテスト時間正準化手法である。 トレーニング強化ギャップ,正確性に整合した信頼性サロゲート,マルチモーダルな目的に対するグローバル検索の3つの条件を同定した。 その結果, フリーズ・スコアオンリー・ポイント・クラウド・モデルは, 展開後標準化単独で回転誘起分布シフトから回復できることが示唆された。
• 参考スコア（独自算出の注目度）: 3.5086600344886505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point cloud models are increasingly deployed through score-only black-box interfaces. Under this access model, test-time rotations outside the training distribution can substantially degrade performance. Although existing mitigations such as equivariant retraining and gradient-based adaptation are effective, they are infeasible without access to model weights or gradients. To address this limitation, we propose CanDO, a test-time canonicalization method that recovers lost performance using only forward queries. Specifically, CanDO searches for an input transformation that maximizes model confidence and uses derivative-free optimization to perform this search without gradients. We further identify three conditions for successful recovery: a training augmentation gap, an accuracy-aligned confidence surrogate, and global search over a multi-modal objective. Across multiple architectures and benchmarks, CanDO recovers 76% of the oracle gap under azimuthal misorientation and 51% under arbitrary SO(3) rotations for object part segmentation. These results show that frozen score-only point cloud models can recover from rotation-induced distribution shifts through post-deployment canonicalization alone.
• Abstract（参考訳）: ポイントクラウドモデルは、スコアのみのブラックボックスインターフェースを通じてますますデプロイされる。 このアクセスモデルの下では、トレーニング分布外のテスト時間回転は性能を著しく低下させることができる。 等変リトレーニングや勾配に基づく適応のような既存の緩和は有効であるが、モデルウェイトや勾配にアクセスできない。 この制限に対処するために、前方クエリのみを用いて損失性能を回復するテスト時間正準化手法であるCanDOを提案する。 具体的には、モデル信頼度を最大化し、微分自由最適化を用いて勾配なしでこの探索を行う入力変換を探索する。 さらに,トレーニング強化ギャップ,精度に整合した信頼性サロゲート,マルチモーダルな目的に対するグローバル検索の3つの条件を明らかにした。 複数のアーキテクチャとベンチマークで、CanDOは方位不整合の下でのオラクルギャップの76%を回復し、オブジェクト部分のセグメンテーションのために任意のSO(3)回転で51%を回復する。 これらの結果から, フリーズ・スコアオンリーポイント・クラウド・モデルは, 展開後正準化単独で回転誘起分布シフトから回復できることが示唆された。

関連論文リスト

• Adaptive 3D Reconstruction via Diffusion Priors and Forward Curvature-Matching Likelihood Updates [1.2425910171551517]
  画像から高品質な点雲を再構築することは、コンピュータビジョンでは依然として難しい。 近年の拡散法は, 事前モデルと可能性更新を組み合わせることでこの問題に対処している。 我々は,新しいFCM (Forward Curvature-Matching) 更新手法と拡散サンプリングを組み合わせることで,このアプローチを推し進める。
  論文  参考訳（メタデータ） (2025-11-09T10:14:14Z)
• Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
  本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。 局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。 任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
  論文  参考訳（メタデータ） (2025-08-30T06:02:21Z)
• APCoTTA: Continual Test-Time Adaptation for Semantic Segmentation of Airborne LiDAR Point Clouds [14.348191795901101]
  空中レーザースキャン(ALS)ポイントクラウドセグメンテーションは、大規模3Dシーン理解の基本的な課題である。 Continuous Test-Time Adaptation (CTTA)は、ソース予測モデルを適用して、未ラベルのターゲットドメインを進化させるソリューションを提供する。 我々は,ALSポイントクラウドセマンティックセグメンテーションに適した最初のCTTA手法であるAPCoTTAを提案する。
  論文  参考訳（メタデータ） (2025-05-15T05:21:16Z)
• HyperFlow: Gradient-Free Emulation of Few-Shot Fine-Tuning [20.308785668386424]
  計算勾配を使わずに勾配降下をエミュレートし,効率的なテスト時間適応を実現する手法を提案する。 具体的には、通常の微分方程式(ODE)のオイラー離散化として勾配降下を定式化し、タスク条件ドリフトを予測するために補助ネットワークを訓練する。 適応は単純な数値積分に還元され、補助ネットワークのわずかな前方通過しか必要としない。
  論文  参考訳（メタデータ） (2025-04-21T03:04:38Z)
• CloudFixer: Test-Time Adaptation for 3D Point Clouds via Diffusion-Guided Geometric Transformation [33.07886526437753]
  実世界のセンサーから捉えた3Dポイントの雲は、様々な障害物のためにしばしばノイズの多い点を包含する。 これらの課題は、クリーンポイントクラウドでトレーニングされたトレーニング済みのポイントクラウド認識モデルのデプロイを妨げる。 本研究では,3次元点雲に適したテスト時間入力適応法であるCloudFixerを提案する。
  論文  参考訳（メタデータ） (2024-07-23T05:35:04Z)
• Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
  Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
  論文  参考訳（メタデータ） (2024-02-27T08:47:19Z)
• Generalizing Neural Human Fitting to Unseen Poses With Articulated SE(3) Equivariance [48.39751410262664]
  ArtEqは、点雲からのSMPLモデル推定のための部分ベースSE(3)等価ニューラルネットワークである。 実験の結果,ArtEqはトレーニング中に見えない動作を一般化し,身体再建精度の点で最先端の手法を44%上回った。
  論文  参考訳（メタデータ） (2023-04-20T17:58:26Z)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• Post-Processing Temporal Action Detection [134.26292288193298]
  時間的行動検出(TAD)法は、通常、入力された可変長のビデオを固定長のスニペット表現シーケンスに変換する際に、前処理のステップを踏む。 この前処理ステップは、ビデオを時間的にダウンサンプリングし、推論の解像度を低減し、元の時間分解における検出性能を阻害する。 モデルの再設計や再学習を伴わない新しいモデル非依存のポストプロセッシング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-27T19:50:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。