3D-BBDA提出无反向传播黑盒点云域适应

Shivangi Rai、Kunal Jangid、Vaibhav Kumar、Vinod V Kurmi 提出 3D-BBDA，一个无反向传播的黑盒域适应框架：只利用源模型的黑盒输出，把源训练预测器适配到无标注目标数据，应对传感器变化、环境差异和采集伪影造成的域偏移。方法用伪标签引导的原型对齐，并以加权预测模块融合源 logits 与对齐 logits；伪标签覆盖不完整时，从无标注目标预测构造高斯扰动原型先验，作为缺失或不可靠类别原型的回退。 作者称在四个损坏三维基准上相较强基线取得一致提升。ModelNet-40C 上平均误差为 32.08%（PointNet）和 29.62%（GDANet），低于 Source-only 的 35.88% / 34.03% 和 BFTT3D 的 33.78% / 32.36%。作者称该方法只需一次前向、无梯度更新，适用于实时、隐私保护的三维识别部署。论文已被 WACV 2027 接收。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。