论文标题：
MICAS: Multi-grained In-Context Adaptive Sampling for 3D Point Cloud Processing
论文链接：
https://arxiv.org/abs/2411.16773
收录会议：
CVPR 2025
研究背景
3D 点云处理（PCP）涉及多种任务，如重建、去噪、配准、分割等，传统做法往往为每个任务设计特定模型，导致模型繁杂、成本高昂。虽然多任务学习（MTL）能缓解模型数量问题，但在任务冲突、参数调优方面仍存在挑战。
近年来兴起的 In-Context Learning（ICL）技术，不依赖参数更新，仅通过 “提示示例” 即可适配多个任务，展示出任务泛化潜力。但将 ICL 用于点云处理时，当前方法面临任务间和任务内的显著敏感性问题。
MICAS 方法：从采样出发，让上下文学习更“懂点云”
本论文提出 MICAS，首个专为点云上下文学习设计的多粒度自适应采样方法，从 “点级” 和 “提示级” 两个维度提升 ICL 在 3D 任务中的稳健性和适应性。
2.1 MICAS 的两大核心模块
Task-Adaptive Point Sampling：利用任务信息，引导点级采样策略，提升模型对任务特征的适配能力。（同一个点云在不同任务中能够产生差异化的采样结果，从而提升任务适应性与表达能力。）
Query-Specific Prompt Sampling：针对每个查询输入，动态选择最优的提示示例，缓解同一任务内提示样本多样性带来的敏感问题。
2.2 MICAS 的具体实现
任务自适应点采样（Task-adaptive Point Sampling）
目标：利用任务相关的信息，优化每个点的采样过程，以提高不同任务间（例如重建、去噪、配准、分割）对点的选择精度。
实现步骤：
-
提示理解（Prompt Understanding）：使用 PointNet 作为编码器，从输入的 prompt 中提取任务特征。通过将输入点云和目标点云的特征进行拼接，生成任务特征。
-
Gumbel 采样（Gumbel Sampling）：利用 Gumbel-softmax 实现可微分的采样。这个机制将任务特征和当前点云的特征结合，通过正态化的 sampling weights 生成最终的采样结果。这一过程允许模型在训练期间得到更高的效能。
查询特定提示采样（Query-specific Prompt Sampling）
目标：在相同任务中，针对不同的查询提高提示的相关性，以克服任务内部的各种敏感性。
实现步骤：
-
伪标签生成：通过 ICL 模型生成预测结果，并评估其与真实值之间的差异，利用这些模型性能作为伪标签。
-
采样分值计算：对于每个查询点云，根据不同候选提示计算采样分值，选取分值最高的提示作为最终输入。
-
损失函数：使用 List-wise ranking loss 来优化提示的选择顺序，从而提高模型的整体性能。
实验设置
评估数据集：使用 ShapeNet In-Context Dataset，该数据集包含了多种“输入-目标”点云的对，以便进行全面的任务评估。
评估指标：使用 Chamfer Distance（CD）和 Mean Intersection over Union（mIOU）来衡量不同任务的性能。例如，CD 用于重建、去噪和配准任务，mIOU 用于分割任务。
结果与讨论
性能提升：通过对任务自适应点采样和查询特定提示采样的联合使用，MICAS 在所有被评估任务中均显著超越现有技术，特别是在部件分割任务中，性能相较于前作提升了 4.1%。
严谨性与可靠性：进行了一系列对比实验和消融研究，验证了 MICAS 在不同场景下的鲁棒性，同时展示了各组件在整体性能提升中的协调作用。
复杂度管理：在模型训练过程中，通过分步骤训练来降低复杂度，使得模型既能有效学习任务特征，又可轻松适应不同的提示。
模型训练和推理可视化
实验结果对比可视化
▲ 重建任务的采样结果对比
▲ 去噪任务的采样结果对比
▲ 配准任务的采样结果对比
▲ 分割任务的采样结果对比
（文：PaperWeekly）