DAP-MAE：用于有效跨域学习的领域自适应点云遮盖自编码器
计算机视觉与模式识别
2025-10-27 v1
摘要
与2D数据相比，不同领域可用用于训练的点云数据规模有限。研究人员一直在尝试将这些不同领域的数据用于遮盖自编码器(MAE)预训练，以解决 data scarcity 问题。然而，来自混合领域所学到的先验知识可能与下游3D点云分析任务对齐不良，导致性能下降。为此，我们提出了领域自适应点云遮盖自编码器(DAP-MAE)，一种MAE预训练方法，用于自适应地整合跨域数据集的知识，以用于通用点云分析。在DAP-MAE中，我们设计了一种异构领域适配器，在预训练期间采用适应模式，使模型能够全面地学习来自不同领域点云的信息，同时在微调阶段采用融合模式以增强点云特征。同时，DAP-MAE 包含一种领域特征生成器，用于引导点云特征适应各种下游任务。通过一次预训练，DAP-MAE 在四种不同的点云分析任务上实现了卓越的性能，在ScanObjectNN上的目标分类准确率达95.18%，在Bosphorus上的面部表情识别准确率达88.45%。
引用
@article{arxiv.2510.21635,
title = {DAP-MAE: Domain-Adaptive Point Cloud Masked Autoencoder for Effective Cross-Domain Learning},
author = {Ziqi Gao and Qiufu Li and Linlin Shen},
journal= {arXiv preprint arXiv:2510.21635},
year = {2025}
}
备注
14 pages, 7 figures, conference