用于点云完成的域适应性点变换器 DAPoinTr

点变换器 (PoinTr) 近期在点云完成方面显示出巨大的潜力。然而，有效的域适应以提高对目标域的可迁移性仍未得到探索。本文深入研究此主题并经验性地发现，对点变换器CNN背板进行直接特征对齐仅带来有限的改进，因为无法保证Transformer中序列级的域无关特征。为此，我们提出一种 pioneier 的 Domain Adaptive Point Transformer (DAPoinTr) 框架用于点云完成。DAPoinTr 由三个关键组件构成：基于域查询的特征对齐 (DQFA)、点标记级特征对齐 (PTFA) 以及投票预测一致性 (VPC)。具体而言，DQFA 通过在Transformer编码器和解码器中分别提出的域代理和域查询，来缩小序列层面的全局域差距；PTFA 通过在Transformer编码器和解码器中分别对标记（即点代理和动态查询）进行对齐，来闭合局部域偏移；VPC 旨在将不同的Transformer解码器视为多个专家 (MoE) 以进行集成预测投票和伪标签生成。在多个域适应基准上的大量实验及可视化结果表明，我们的 DAPoinTr 在与最先进方法相比方面具有有效性和优越性。代码将在 https://github.com/Yinghui-Li-New/DAPoinTr 上公开。