点云完成的源自域适应
计算机视觉与模式识别
2025-03-20 v1
摘要
传统方法通常在合成数据集上训练，面临在真实世界扫描数据上应用于外分布问题的挑战。本文提出一种有效且简单的数据驱动方法，用于点云完成，称为PointSFDA。不同于直接利用已标记源数据以缩小域间差距的无监督域适应，PointSFDA仅使用预训练的源模型和未标记的目标数据进行适应，避免了在实际场景中获取不可访问源数据的需求。作为首个针对点云完成的数据自域适应架构，本方法提供了两个核心贡献：首先，我们引入粗到细的蒸馏解决方案，显式地传递从源数据集中学习到的全局几何知识；其次，鉴于由于域间差距可能引入噪声，我们提出了自监督的部分掩码一致性训练策略，以学习目标域中的局部几何信息。广泛的实验表明，我们的方法显著提高了交叉域形状完成中最新技术网络的性能。我们的代码可在 https://github.com/Starak-x/PointSFDA 上获取。
引用
@article{arxiv.2503.15144,
title = {PointSFDA: Source-free Domain Adaptation for Point Cloud Completion},
author = {Xing He and Zhe Zhu and Liangliang Nan and Honghua Chen and Jing Qin and Mingqiang Wei},
journal= {arXiv preprint arXiv:2503.15144},
year = {2025}
}