SMART-PC：面向点云鲁棒测试时训练的骨架模型自适应
计算机视觉与模式识别
2025-05-27 v1
摘要
测试时训练已成为解决 3D 点云分类中分布偏移的一种有前景的方案。然而，现有方法在自适应期间通常依赖计算代价高昂的反向传播，限制了其在现实世界对时间敏感场景中的适用性。本文引入了 SMART-PC，这是一种基于骨架的框架，通过利用 3D 点云的几何结构来增强对损坏的鲁棒性。在预训练期间，我们的方法预测骨架表示，使模型能够提取鲁棒且有意义的几何特征，这些特征对损坏较不敏感，从而提高了对测试时分布偏移的适应性。与以往方法不同，SMART-PC 通过消除反向传播并仅更新 BatchNorm 统计量来实现实时自适应，形成了一个轻量且高效的框架，能够在保持优异分类性能的同时实现高帧率。在包括 ModelNet40-C、ShapeNet-C 和 ScanObjectNN-C 在内的基准数据集上的大量实验表明，SMART-PC 取得了 state-of-the-art 的结果，在准确率和计算效率上均优于 MATE 等现有方法。实现代码可在以下地址获取：https://github.com/AliBahri94/SMART-PC。
关键词
引用
@article{arxiv.2505.19546,
title = {SMART-PC: Skeletal Model Adaptation for Robust Test-Time Training in Point Clouds},
author = {Ali Bahri and Moslem Yazdanpanah and Sahar Dastani and Mehrdad Noori and Gustavo Adolfo Vargas Hakim and David Osowiechi and Farzad Beizaee and Ismail Ben Ayed and Christian Desrosiers},
journal= {arXiv preprint arXiv:2505.19546},
year = {2025}
}