Point-Cache：用于稳健和可泛化点云分析的测试时动态和分层缓存

本文提出了一种通用解决方案，以支持点云识别模型在测试时处理分布迁移。不同于先前方法依赖训练数据（在在线推理时往往不可得）且仅限于识别训练时预定义的固定点云类别的做法，我们探索了更为实际且具有挑战性的场景：仅基于在线测试数据适应模型，以识别既已见到的类别，也识别全新未见到的类别。在此基础上，我们开发了 \textbf{Point-Cache}，一种层次化缓存模型，捕获在线测试样本中关键线索，特别关注点云的全局结构及其局部部细节。Point-Cache 作为丰富的 3D 知识库，被动态管理，以优先纳入高质量样本。作为即插即用模块，本方法可以灵活加入大型多模态 3D 模型，以支持开放词汇点云识别。值得注意的是，我们的解决方案的效率相当于零射时推理，因其完全无需训练。Point-Cache 在 8 个具有挑战性的基准测试和 4 个代表性大型 3D 模型上均实现了显著提升，凸显了其有效性。代码可在 https://github.com/auniquesun/Point-Cache 获取。