点云补全模型在数据损坏条件下的排名稳定性审计:基于匹配控制协议的量化分析

《IEEE Access》:Ranking Instability Under Corruption in Point Cloud Completion: A Matched-Control Audit on the Point Completion Network Benchmark

【字体: 大 中 小 】 时间:2026年09月23日 来源:IEEE Access 4.2

编辑推荐:

   摘要:点云补全 (PCC) 排行榜通常根据单一的综合指标(通常是倒角距离,CD-L1)在干净测试集划分上的表现对模型进行排名,并隐含地假设这种排名在现实的传感器数据损坏条件下仍然成立。尽管分布漂移文献已确立数据损坏会改变模型排名,但在匹配控制条件下,这种不稳定性对 PCC

  

摘要:

点云补全 (PCC) 排行榜通常根据单一的综合指标(通常是倒角距离,CD-L1)在干净测试集划分上的表现对模型进行排名,并隐含地假设这种排名在现实的传感器数据损坏条件下仍然成立。尽管分布漂移文献已确立数据损坏会改变模型排名,但在匹配控制条件下,这种不稳定性对 PCC 的幅度和结构尚未被量化。我们提出了一种分层匹配控制审计协议,并将其应用于四个已发表基线——PoinTr、AdaPoinTr、SnowflakeNet 和 SeedFormer——作为基准案例研究,应用于点补全网 (PCN) 测试集划分(1200 个样本)。每个(对象、视角、局部性)元组保持不变,同时应用四种数据损坏操作符之一(噪声、离群点、密度下降、局部裁剪),每种操作符在五个严重级别上进行,产生 96,000 次配对评估。确定性逐样本种子和跨基线缓存不变量确保所有四个模型之间的位级相同数据损坏。在此协议下,干净数据综合排名并不能可靠地预测各单元格内的优胜者:20 个(操作符、严重性)单元格中的 12 个(60%)重新排列了四个基线的排名,并且离群点操作符在所有五个严重级别中一致地将干净数据综合获胜者排在最后。Friedman 总体检验在严格的 Bonferroni 校正显著性水平下,在所有 20 个单元格中拒绝了性能相等的零假设。形状内标签置换零假设表明,综合排名具有部分预测性,但远非不变。一项针对三种双操作符组合(十五个单元格)的试点研究,在一个单元格中重现了已发表的排名。我们贡献了一种在匹配控制下量化这种不稳定的诊断协议;我们未提出新的补全模型。每个基线在其训练时加载器下重现了其已发表的干净 PCN 指标,误差在 ±0.21% 以内。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号