3D-BBDA 是一种面向三维点云分类的无反向传播黑盒域适应框架，无需源数据或源模型内部信息。该方法结合伪标签引导的原型对齐，以及高斯扰动原型先验补全策略，以便在伪标签稀疏时稳定适应；同时采用加权预测模块，在源先验与针对目标域的校正之间取得平衡。在多个受损三维基准上的实验表明，该方法以极低开销持续提升鲁棒性，支持实时且保护隐私的部署。通过标准损坏基准和推理开销测量，验证了其鲁棒性与实时可行性。
与 BFTT3D 的详细比较
BFTT3D 是与 3D-BBDA 最接近的先前方法，因为两者都避免测试时反向传播，并采用非参数化目标域表示以及基于原型的共享子空间对齐。因此，主要的方法学区别并非提出全新的子空间对齐目标，而是在更严格的无源数据、仅 logits 的黑盒接口下重新设计这一流程。
3D-BBDA 并未声称共享子空间对齐目标本身是新的贡献。相反，该方法改变了用于这一对齐的信息：移除源数据派生的记忆，并以伪标签引导的目标域原型取而代之；利用无标签且经高斯扰动的目标先验补全缺失类别；再将得到的对齐预测与黑盒源预测融合。这些改变使对齐框架能够同时满足无源数据、黑盒和无反向传播的约束。
算法
完整的 3D-BBDA 推理流程首先根据累积的特征和伪标签构建固定的目标域原型记忆，随后执行分块式共享子空间对齐，并融合加权预测。
近期基线方法受控移植的细节
近期的适应方法在测试时假设可用的信息方面差异显著。因此，我们区分原生实现与受控移植，并明确记录每种比较所采用的信息访问权限和架构假设。
受控移植的 PURGE-GATE
原生 PURGE-GATE PG-SF 面向 Transformer 点云架构设计，并依赖 CLS 和注意力 Q/K 表示。这些量在 PointNet 或 GDANet 中不可用；更重要的是，通过 3D-BBDA 所假设的仅 logits 黑盒接口也无法获取这些量。
因此，对于 PointNet/GDANet 的比较，我们构建了受控的 PG-SP 移植版本。在每个骨干网络中，对最早可用的 64 维逐点表示进行清除处理，并按照 PG-SP 的设定使用源数据派生的嵌入统计量。不进行目标侧反向传播。
实现细节
原生 PURGE-GATE PG-SF 基于 Transformer 专用的 CLS/Q/K 表示运行，因此不能直接用于 PointNet/GDANet。我们实现了受控的 PG-SP 移植版本，使用源数据派生的嵌入统计量，对最早可用的 64 维逐点表示进行清除处理。
DINE-3D 是 DINE 在特征空间中的受控移植版本；DINE 最初是为二维黑盒域适应提出的。该方法使用与 3D-BBDA 相同的冻结 PointNN 目标特征，同时保留 DINE 的源概率蒸馏、EMA 记忆、信息最大化、MixUp 和目标微调目标。与 3D-BBDA 不同，DINE-3D 需要在目标侧进行反向传播。
结论
我们提出了 3D-BBDA，这是一种面向三维点云分类的无反向传播黑盒域适应框架，无需源数据或源模型内部信息。该方法结合伪标签引导的原型对齐，以及高斯扰动原型先验补全策略，以便在伪标签稀疏时稳定适应；同时采用加权预测模块，在源先验与针对目标域的校正之间取得平衡。在多个受损三维基准上的实验表明，该方法以极低开销持续提升鲁棒性，支持实时且保护隐私的部署。我们通过标准损坏基准和推理开销测量，验证了其鲁棒性与实时可行性。
致谢
本研究得到印度空间研究组织资助，资助编号：RespondAI，P.No.ISRO/RES/3/1147/26-27。Shivangi Rai 谨此感谢印度政府电子与信息技术部（MeitY）通过 Visvesvaraya 博士奖学金提供的经费支持。
常见问题
3D-BBDA 解决什么问题？ 它解决在无源数据、黑盒和无反向传播约束下的三维点云分类域适应问题。
3D-BBDA 是否需要访问源数据或源模型内部信息？ 不需要。该框架既不需要源数据，也不需要源模型内部信息。
3D-BBDA 如何处理稀疏伪标签？ 当伪标签稀疏时，它使用高斯扰动原型先验补全来稳定适应过程。
DINE-3D 与 3D-BBDA 有何不同？ DINE-3D 保留了 DINE 的目标微调目标，并且需要在目标侧进行反向传播；3D-BBDA 则不需要。