Point-PRC：一种用于可泛化点云分析的基于提示学习的调节框架

本文基于流行的提示学习研究大型 3D 模型的 3D 域泛化 (3DDG) 能力。近期工作表明，通过参数高效的提示微调可以显著提升 3D 点云识别的性能。然而，我们观察到在下游任务上的提升是以 3D 域泛化能力严重下降为代价的。为解决这一挑战，我们提出了一个综合的调节框架，使可学习提示能够主动与大型 3D 模型中已学习到的通用知识进行交互，从而保持良好的泛化能力。具体而言，所提框架通过最大化特定任务预测与任务无关知识之间的互一致性，对提示学习轨迹施加了多个显式约束。我们将该调节框架设计为即插即用模块，以嵌入现有的代表性大型 3D 模型。令人惊讶的是，我们的方法不仅在各种 3DDG 基准上实现了持续提升的泛化能力，还以明显优势增强了特定任务的 3D 识别性能。鉴于目前对 3DDG 的研究与评估不足，我们还创建了三个新基准，即 base-to-new、跨数据集和少样本泛化基准，以丰富该领域并启发未来研究。代码和基准可在 \url{https://github.com/auniquesun/Point-PRC} 获取。