CloudFixer：基于扩散引导的 3D 点云测试时适应几何变换

3D 点云数据由真实传感器捕获，常常包含由于遮挡、分辨率有限以及尺度变化等各种障碍导致的噪声点。这些挑战阻碍了预训练在干净点云上训练的点云识别模型的部署，导致显著的性能下降。虽然测试时适应 (TTA) 策略在 2D 领域显示出有前景的成果，但其在 3D 点云上的应用仍属探索阶段。在 TTA 方法中，输入适应方法——即直接使用预训练扩散模型将测试实例转换为源域——已在 2D 领域提出。尽管该方法在实际场景中表现出鲁棒的 TTA 性能，但 naively 将其应用于 3D 域可能并不理想，因为忽略了点云的固有特性，以及其计算成本的高昂。针对这些局限性，我们提出 CloudFixer，一种针对 3D 点云的测试时输入适应方法，采用预训练扩散模型。具体而言，CloudFixer 通过设计 carefully 的目标函数，利用点云的几何特性，对几何变换参数进行优化。我们还通过避免对扩散模型进行反向传播和繁琐的生成过程，大幅提高了计算效率。此外，我们提出一种在线模型适应策略，通过对齐原始模型预测与适应后输入的预测来实现。广泛的实验结果表明，CloudFixer 在各种 TTA 基线方法上均表现卓越，能够处理常见的噪声损坏和自然分布偏移，适用于多种真实场景。我们的代码已公开：https://github.com/shimazing/CloudFixer。