基于图谱驱动点位移的3D测试时适应
计算机视觉与模式识别
2025-07-25 v1
摘要
测试时适应(TTA)方法有效解决了域迁移问题，通过动态适应预训练模型以针对目标域数据进行在线推理，但其应用于3D点云受限于其不规则且无序的结构。当前的3D TTA方法常依赖计算昂贵的空间域优化，可能需要额外的训练数据。相反，我们提出了图谱域测试时适应(GSDTTA)，一种用于3D点云分类的新方法，通过将适应移至图谱域，实现更高效的适应，捕获全局结构特性。目标域中的点云被表示为异常感知图，并通过图傅里叶变换(GFT)转换为图谱域。为提高效率，仅优化捕获点云能量主导成分的最低10%频率分量。然后应用逆GFT(IGFT)以图谱驱动的点位移重构适应后的点云。该过程通过特征图引导的自训练策略增强，不断迭代细化谱系调整和模型参数。在基准数据集上的实验结果和消融研究表明，GSDTTA有效果，优于现有3D点云分类的TTA方法。
引用
@article{arxiv.2507.18225,
title = {3D Test-time Adaptation via Graph Spectral Driven Point Shift},
author = {Xin Wei and Qin Yang and Yijie Fang and Mingrui Zhu and Nannan Wang},
journal= {arXiv preprint arXiv:2507.18225},
year = {2025}
}