基于元学习的点云上采样测试时自适应方法
计算机视觉与模式识别
2023-09-06 v2 人工智能
机器学习
机器人学
摘要
廉价的 3D 扫描仪常产生稀疏且非均匀的点云，对机器人系统中的下游应用造成负面影响。尽管现有的点云上采样架构在标准基准上已展现出有前景的结果，但当测试数据与训练数据分布不同时，其性能往往出现显著下降。为解决此问题，本文提出一种测试时自适应方法以增强点云上采样模型的泛化性。所提方法利用元学习显式地学习用于测试时自适应的网络参数。我们的方法不需要任何关于测试数据的先验信息。在元训练阶段，模型参数从一组实例级任务中学习，每个任务由来自训练数据的稀疏-稠密点云对组成。在元测试阶段，训练好的模型通过少量梯度更新进行微调，为每个测试实例生成一组独特的网络参数。随后使用更新后的模型进行最终预测。我们的框架具有通用性，可以即插即用的方式应用于点云上采样中的现有骨干网络。大量实验表明，我们的方法提升了 SOTA 模型的性能。
引用
@article{arxiv.2308.16484,
title = {Test-Time Adaptation for Point Cloud Upsampling Using Meta-Learning},
author = {Ahmed Hatem and Yiming Qian and Yang Wang},
journal= {arXiv preprint arXiv:2308.16484},
year = {2023}
}
备注
Accepted at IROS 2023