3D-BBDA는 소스 데이터나 소스 모델 내부 정보 없이 3D 포인트 클라우드 분류를 수행하는 역전파 없는 블랙박스 도메인 적응 프레임워크입니다. 이 방법은 의사 레이블이 드문 상황에서 적응을 안정화하는 가우시안 교란 프로토타입 사전분포 완성 전략과 의사 레이블 기반 프로토타입 정렬을 결합하고, 소스 사전분포와 타깃별 보정 간 균형을 맞추는 가중 예측 모듈을 사용합니다. 여러 손상된 3D 벤치마크에서 최소한의 추가 비용으로 일관된 강건성 향상을 보여 실시간 및 프라이버시 보호 배포를 가능하게 합니다. 표준 손상 벤치마크와 추론 오버헤드 측정을 통해 강건성과 실시간 실행 가능성을 검증합니다.
BFTT3D와의 상세 비교
BFTT3D는 테스트 시점 역전파를 사용하지 않고 비모수 타깃 표현과 프로토타입 기반 공유 부분공간 정렬을 활용한다는 점에서 3D-BBDA와 가장 가까운 선행 방법입니다. 따라서 핵심적인 방법론 차이는 완전히 새로운 부분공간 정렬 목적 함수를 제안하는 데 있는 것이 아니라, 더 엄격한 소스 프리·로짓 전용 블랙박스 인터페이스에 맞게 이 파이프라인을 재구성하는 데 있습니다.
3D-BBDA는 공유 부분공간 정렬 목적 함수 자체를 새로운 기여로 주장하지 않습니다. 대신 이 정렬에 사용할 수 있는 정보를 바꿉니다. 소스에서 얻은 메모리를 제거하고 의사 레이블 기반 타깃 프로토타입으로 대체하며, 레이블이 없는 가우시안 교란 타깃 사전분포를 사용해 누락된 클래스를 보완하고, 그 결과로 얻은 정렬 예측을 블랙박스 소스 예측과 결합합니다. 이러한 변경을 통해 정렬 프레임워크가 소스 프리, 블랙박스, 역전파 없는 제약을 동시에 충족하도록 합니다.
알고리즘
전체 3D-BBDA 추론 절차는 먼저 누적된 특징과 의사 레이블로 고정된 타깃 유래 프로토타입 메모리를 구성한 다음, 블록 단위 공유 부분공간 정렬과 가중 예측 결합을 수행합니다.
최근 기준 방법의 통제된 이식에 관한 세부 사항
최신 적응 방법은 테스트 시점에 이용 가능하다고 가정하는 정보가 크게 다릅니다. 따라서 원래 구현과 통제된 이식 구현을 구분하고, 각 비교에 사용한 정보 접근 및 아키텍처 가정을 명시합니다.
통제된 PURGE-GATE 이식
기본 PURGE-GATE PG-SF는 Transformer 포인트 클라우드 아키텍처를 위해 설계되었으며 CLS 및 어텐션 Q/K 표현에 의존합니다. 이러한 값은 PointNet이나 GDANet에서는 사용할 수 없으며, 더 중요한 점은 3D-BBDA가 전제하는 로짓 전용 블랙박스 인터페이스를 통해 접근할 수 없다는 것입니다.
따라서 PointNet/GDANet 비교를 위해 통제된 PG-SP 이식 구현을 구성합니다. 각 백본에서 사용할 수 있는 가장 초기의 64차원 점별 표현에 퍼징을 적용하고, PG-SP 정식화에 따라 소스에서 얻은 임베딩 통계를 사용합니다. 타깃 측 역전파는 수행하지 않습니다.
구현 세부 사항
기본 PURGE-GATE PG-SF는 Transformer 전용 CLS/Q/K 표현에서 작동하므로 PointNet/GDANet에 직접 적용할 수 없습니다. 소스에서 얻은 임베딩 통계를 사용해 가장 초기의 64차원 점별 표현에 퍼징을 적용하는 통제된 PG-SP 이식 구현을 만들었습니다.
DINE-3D는 원래 2D 블랙박스 도메인 적응을 위해 제안된 DINE의 통제된 특징 공간 이식 구현입니다. 3D-BBDA와 동일하게 고정된 PointNN 타깃 특징을 사용하면서, DINE의 소스 확률 증류, EMA 메모리, 정보 최대화, MixUp, 타깃 미세 조정 목적 함수를 유지합니다. 3D-BBDA와 달리 DINE-3D는 타깃 측 역전파가 필요합니다.
결론
소스 데이터나 소스 모델 내부 정보 없이 3D 포인트 클라우드 분류를 수행하는 역전파 없는 블랙박스 도메인 적응 프레임워크인 3D-BBDA를 제안했습니다. 이 방법은 의사 레이블이 드문 상황에서 적응을 안정화하는 가우시안 교란 프로토타입 사전분포 완성 전략과 의사 레이블 기반 프로토타입 정렬을 결합하고, 소스 사전분포와 타깃별 보정 간 균형을 맞추는 가중 예측 모듈을 사용합니다. 여러 손상된 3D 벤치마크에서 최소한의 추가 비용으로 일관된 강건성 향상을 보여 실시간 및 프라이버시 보호 배포를 가능하게 합니다. 표준 손상 벤치마크와 추론 오버헤드 측정을 통해 강건성과 실시간 실행 가능성을 검증했습니다.
감사의 말
본 연구는 Grant No. RespondAI, P.No.ISRO/RES/3/1147/26-27에 따라 Indian Space Research Organisation의 지원을 받았습니다. Shivangi Rai는 인도 정부 전자정보기술부(MeitY)의 Visvesvaraya 박사후 연구 장학금을 통해 제공된 재정 지원에 감사드립니다.
자주 묻는 질문
3D-BBDA는 어떤 문제를 다루나요? 소스 프리, 블랙박스, 역전파 없는 제약하에서 3D 포인트 클라우드 분류를 위한 도메인 적응을 다룹니다.
3D-BBDA는 소스 데이터나 소스 모델 내부 정보에 접근해야 하나요? 아니요. 이 프레임워크는 소스 데이터나 소스 모델 내부 정보를 필요로 하지 않습니다.
3D-BBDA는 희소한 의사 레이블을 어떻게 처리하나요? 의사 레이블이 드문 경우 적응을 안정화하기 위해 가우시안 교란 프로토타입 사전분포 완성을 사용합니다.
DINE-3D는 3D-BBDA와 어떻게 다른가요? DINE-3D는 DINE의 타깃 미세 조정 목적 함수를 유지하며 타깃 측 역전파가 필요합니다. 3D-BBDA는 그렇지 않습니다.