基于低秩解码器适应的深度完成高效测试时优化

零样态深度完成因无需传感器特定数据集或重新训练而受到关注。然而，大多数现有方法依赖基于扩散的测试时优化，因迭代去噪而计算成本高。最近的基于视觉提示的方法降低了训练成本，但仍需通过完整冻结网络进行多次前向-反向传递以优化输入级提示，导致推理缓慢。在本工作中，我们表明仅适应解码器足以实现有效的测试时优化，因为深度基础模型将深度相关信息集中在低维解码器子空间中。基于这一洞见，我们提出一种轻量级测试时适应方法，仅更新该低维子空间并利用稀疏深度监督。我们的ethods 取得了最先进的性能，建立了准确性与效率之间的新Pareto前沿。在五个室内和户外数据集上的大量实验表明，我们的方法在先前方法上实现了持久的改进，凸显了快速零样态深度完成的实用性。