点阶梯调整：用于 3D 点云理解的参数高效的分层适应

微调 预训练的点云主干通常会更新所有参数，从而导致大量的计算和内存开销。更重要的是，现代点主干依赖于积极的标记化和下采样，这会产生紧凑的全局标记，但不可逆地丢弃细粒度的局部几何结构，这是参数高效适应的固有瓶颈。因此，仅对这些粗化标记进行操作的现有 PEFT 方法可以调节全局语义，但很难恢复丢失的多尺度局部性。我们提出了 Point Ladder Tuning (PLT)，这是一种局部感知的 PEFT 框架，它执行分层、实例条件适应，同时保持骨干网冻结。 PLT形成一个轻量级闭环：（i）分层梯形网络（HLN）直接从原始点构建多分辨率局部特征金字塔； (ii) 局部-全局融合（LGF）将局部金字塔与中间骨干语义进行对齐和融合； (iii) 动态提示生成器生成实例感知的多尺度提示，以有效地调节冻结的骨干网。对于密集预测，我们进一步引入了一个轻量级分割头，它逐步对融合特征进行上采样，并利用主干先验来细化精细结构。大量的分类和密集预测实验表明，PLT 始终以最少的可调参数超越了之前的 PEFT 基线。 PLT 仅使用 2.71% 的可训练参数进行分类，使用 7.69% 的可训练参数进行密集预测，就实现了最先进的性能，并且可以有利地扩展到更大的骨干网络，在 PointGPT-L 上仅需要 0.36% 的参数。代码发布于https://github.com/JunLinChang/ECCV2026-PLT。