用于 3D 场景理解的分区不变调整

由于几何形状和空间布局的不同，场景级点云理解仍然具有挑战性。虽然预训练的 3D 点云基础模型 (PFM) 具有很强的可移植性，但完全微调 (FFT) 会产生大量的计算和存储成本。参数高效微调（PEFT）提供了一种有前途的替代方案，但现有的 PEFT 方法主要关注对象级点云，而忽略了大规模场景中序列化引起的分区变化。为了解决这个问题，我们提出了 PointPiT，一种用于场景级点云的分区不变调整框架。具体来说，场景感知结构适配器（SSA）将局部几何图案与全局场景上下文集成，以减轻分区引起的表示变化。此外，梯度子空间优化（GSO）选择信息丰富且分区稳定的更新方向，在优化期间抑制分区相关的变化。跨多个场景级基准的大量实验表明，PointPiT 使用不到 1% 的主干参数实现了完全微调的竞争性甚至优越性能，同时在代表性 PEFT 方法中实现了一致的最先进性能。