MICAS：面向3D点云处理的多粒度情境自适应采样

点云处理（PCP）涵盖了重建、去噪、配准和分割等任务，每种任务通常都需要针对其独特特征寻求的专门模型。虽然情境学习（ICL）在各类任务中显示出通过单一模型配合任务特定演示提示的潜力，但其在PCP中的应用揭示了显著的局限。我们识别了当前ICL方法在PCP中存在的跨任务和类内任务灵敏度问题，这归因于缺乏对点和提示水平情境适应性的灵活采样策略。为此，我们提出MICAS，一个面向PCP的高级ICL框架，特点是多粒度自适应采样机制。MICAS引入了两个核心组件：任务自适应点采样，利用跨任务线索进行点级别采样；以及查询特定提示采样，为每个查询选择最佳提示以缓解类内任务灵敏度。据我们了解，这是首个在ICL框架中引入针对点云独特需求的自适应采样方法。大量实验表明，MICAS不仅有效地处理了各种PCP任务，而且显著优于现有方法。值得注意的是，它在零件分割任务中实现了约4.1%的提升，并在各种PCP应用中实现了持续的性能提升。