基于稀疏几何线索的参数高效测试时适配深度完成
计算机视觉与模式识别
2026-02-17 v1
摘要
我们提出 CAPA,一个参数高效的测试时优化框架,用于适配基于稀疏几何线索的 3D 基础模型深度完成。与以往为辅助输入训练任务特定编码器的方法不同,后者常过拟合并泛化性差,CAPA 冻结基础模型主干,仅更新由参数高效微调 (如 LoRA 或 VPT) 产生的最小参数集合,其梯度直接来自推理时可用的稀疏观测。该方法有效地将基础模型的几何先验锚定在场景特定的测量值上,纠正畸变和错误结构。对于视频,CAPA 引入序列级参数共享,在所有帧上联合适配以利用时序关联性、提高鲁棒性并实现多帧一致性。CAPA 是模型无关的,兼容任何基于 ViT 的基础模型,在室内外数据集上实现了在多种条件下的状态-of-the-art 成绩。项目页面: research.nvidia.com/labs/dvl/projects/capa。
引用
@article{arxiv.2602.14751,
title = {Depth Completion as Parameter-Efficient Test-Time Adaptation},
author = {Bingxin Ke and Qunjie Zhou and Jiahui Huang and Xuanchi Ren and Tianchang Shen and Konrad Schindler and Laura Leal-Taixé and Shengyu Huang},
journal= {arXiv preprint arXiv:2602.14751},
year = {2026}
}