3D点群/ドメイン適応2026/11/2arXiv:2611.03588

逆伝播不要のブラックボックスドメイン適応による堅牢な3D点群認識

3D-BBDA: Backpropagation-Free Black-Box Domain Adaptation for Robust 3D Point Cloud Recognition

ソースモデルの内部パラメータやデータにアクセスせず、出力のみを用いて3D点群分類器を未ラベルターゲットに適応させる逆伝播不要のフレームワークを提案。擬似ラベル誘導のプロトタイプ整合とガウス摂動プロトタイプ事前分布で安定化し、4つの劣化3Dベンチマークで改善を示した。

詳しい要約

1. どんなもの？

- 3D point cloud 分類器のための black-box domain adaptation フレームワーク「3D-BBDA」 - source data や source model の内部パラメータにアクセスせず、black-box 出力のみを利用 - backpropagation-free（勾配更新なし）で target の unlabeled data に適応 - 対象タスクは sensor 変化・環境変動・取得アーティファクトによる domain shift 下での robust な 3D point cloud recognition - 単一 forward pass のみで動作し、real-time かつ privacy-preserving な配備を狙う

2. 先行研究と比べてどこがすごい？

- 多くの既存 adaptation 手法は source data や source model の内部パラメータへのアクセスを前提とし、privacy・licensing・security 制約下では配備困難 - 3D-BBDA は black-box 出力のみで適応し、勾配更新も不要 - 実験では Source-only や BFTT3D を上回る - ModelNet-40C で mean error 32.08% (PointNet)、29.62% (GDANet) - Source-only は 35.88% / 34.03%、BFTT3D は 33.78% / 32.36%

3. 技術・手法の肝は？

- pseudo-label guided な prototype-based alignment を実施 - weighted prediction module で source logits と alignment logits を融合し、noisy pseudo-label への感度を低減 - pseudo-label の coverage が不完全な場合に prototype memory を安定化するため、unlabeled target 予測から Gaussian-perturbed prototype prior を構築 - 欠損・信頼性の低い class prototype の fallback として alignment 中に使用 - 全体として backpropagation-free、単一 forward pass で動作

4. どうやって有効だと検証した？

- 4つの corrupted 3D benchmark で実験し、strong baselines に対し一貫した改善を報告 - ModelNet-40C での mean error 比較 - 3D-BBDA: 32.08% (PointNet)、29.62% (GDANet) - Source-only: 35.88% / 34.03% - BFTT3D: 33.78% / 32.36% - 詳細な ablation や他 benchmark の個別数値は要旨からは不明

5. 議論はある？

- 勾配更新なし・単一 forward pass のため real-time かつ privacy-preserving な 3D recognition pipeline への適合性を主張 - noisy pseudo-label への頑健性を weighted prediction と Gaussian-perturbed prototype prior で緩和する設計 - 限界や失敗ケース、計算コストの定量評価、prototype prior の感度などは要旨からは不明

6. 次に読むべき論文は？

- BFTT3D（本手法が比較する black-box / backpropagation-free 系の先行手法） - Source-only baseline（source model をそのまま target に適用する比較対象） - PointNet および GDANet（評価に用いられた 3D point cloud 分類器） - ModelNet-40C（corrupted 3D benchmark） - prototype-based alignment や pseudo-labeling を用いる一般的な unsupervised domain adaptation 手法

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Shivangi Rai, Kunal Jangid, Vaibhav Kumar, Vinod K Kurmi

分類: cs.CV, cs.CE, cs.RO

原文アブストラクト

Robust 3D point-cloud recognition is critical for robotics, mapping, and urban sensing, yet point-cloud classifiers often suffer performance drops under domain shifts caused by sensor changes, environmental variation, and acquisition artifacts. Many existing adaptation methods are difficult to deploy in practice because they require access to source data or the internal parameters of the source model, which may be restricted by privacy, licensing, or security constraints. We present 3D-BBDA, a backpropagation-free black-box domain adaptation framework that adapts a source-trained predictor to unlabeled target data using only black-box outputs. Our method performs pseudo-label guided prototype-based alignment and employs a weighted prediction module to fuse source logits with alignment logits, reducing sensitivity to noisy pseudo-labels. To stabilize prototype memory when pseudo-label coverage is incomplete, we construct a Gaussian-perturbed prototype prior from unlabeled target predictions and use it as a fallback for missing or unreliable class prototypes during alignment. Experiments on four corrupted 3D benchmarks demonstrate consistent improvements over strong baselines. On ModelNet-40C, 3D-BBDA achieves mean errors of 32.08% (PointNet) and 29.62% (GDANet), outperforming Source-only (35.88% / 34.03%) and BFTT3D (33.78% / 32.36%). 3D-BBDA requires only a single forward pass with no gradient updates making it suitable for real-time, privacy-preserving deployment in transferable 3D recognition pipelines. Project page is available at https://visdomlab.github.io/3D_BBDA

arXivで原文を読む →arXiv概要ページ

← 論文一覧