22、点云域自适应与文本驱动的人体网格动画技术

点云域自适应与文本驱动的人体网格动画技术

点云域自适应：MLSP方法的突破

在处理点云数据时，域自适应是一个关键问题，它能帮助模型在不同数据源之间更有效地学习和泛化。研究人员提出了一种基于掩码局部3D结构预测（MLSP）的方法，旨在解决对象点云域自适应问题。

实验结果分析

通过在PointDA - 10数据集上的实验，使用不同的损失函数进行基数预测，结果如下表所示：
| Loss Function | M→S | M→S∗ | S→M | S→S∗ | S∗→M | S∗→S | Average |
| — | — | — | — | — | — | — | — |
| CE | 83.4 | 55.6 | 73.6 | 52.6 | 69.9 | 71.9 | 67.8 |
| Ours | 83.0 | 54.3 | 74.0 | 53.5 | 71.9 | 75.6 | 68.7 |

从表中数据可以看出，所提出的方法在平均性能上略优于CE损失函数。不过，在某些情况下会出现小的性能下降，这可能是因为使用过多的相邻点会导致平滑效果过强，影响对细节结构的学习。

特征可视化

利用t - SNE技术对1024维潜在代码的特征分布进行可视化。在没有进行域自适应时，目标域中不同类别的特征相互混合；而经过域自适应后，目标域中的特征分布呈现出清晰的聚类，这表明MLSP方法有效地减少了域偏差。其流程可以用以下mermaid流程图表示：

graph LR
    A[原始点云数据] --> B[无域自