PointTPA：面向 3D 场景理解的动态网络参数适应
计算机视觉与模式识别
2026-04-07 v1
摘要
场景级点云理解面临几何多样性、类别分布不平衡和高度变化的空间布局等挑战。现有方法改进了对象级性能，但在推理期间依赖静态网络参数，限制了其对动态场景数据的适应性。我们提出 PointTPA（Test-time Parameter Adaptation），一种用于场景级点云的测试时参数适应框架。PointTPA 采用序列化邻域分组（SNG）形成局部一致的 patches，并通过动态参数投影器（DPP）生成 patch 级自适应权重，使 backbone 能根据场景特定的变异性调整其行为，同时保持低参数开销。集成到 PTv3 结构中，PointTPA 通过引入两个轻量级模块（占 backbone 参数的不到 2%）实现了强大的参数效率。尽管参数开销极小，PointTPA 在 ScanNet 验证集上实现了 78.4% 的 mIoU，超越了多个基准上的现有参数高效微调（PEFT）方法，凸显了我们测试时动态网络参数适应机制在增强 3D 场景理解方面的有效性。代码已公开于 https://github.com/H-EmbodVis/PointTPA。
引用
@article{arxiv.2604.04933,
title = {PointTPA: Dynamic Network Parameter Adaptation for 3D Scene Understanding},
author = {Siyuan Liu and Chaoqun Zheng and Xin Zhou and Tianrui Feng and Dingkang Liang and Xiang Bai},
journal= {arXiv preprint arXiv:2604.04933},
year = {2026}
}
备注
Accepted by CVPR 2026. The code is available at https://github.com/H-EmbodVis/PointTPA