장비분포 3D 포인트 클라우드 데이터 증류

Long-Tailed 3D Point Cloud Dataset Distillation

데이터 증류는 대규모 데이터 세트를 효율적인 3D 포인트 클라우드 학습을 가능하게 하는 소형의 합성 데이터 세트로 압축하는 기술입니다. 기존의 포인트 클라우드 데이터 증류 방법은 주로 기하학적 및 표현 방식의 문제를 다루지만, 포인트 클라우드 데이터 세트에서 흔히 나타나는 분포 불균형 문제는 간과합니다. 본 연구는 장비분포를 고려한 포인트 클라우드 데이터 증류에 대한 최초의 연구입니다. 저희는 기하학적 특성이나 표현 방식에만 집중하거나 단순히 클래스 균형을 맞춘 합성 데이터 세트를 생성하는 대신, 두 가지 핵심 모듈을 통해 장비분포를 명시적으로 고려하는 프레임워크를 제시합니다. 첫째, 클래스별 합성 데이터 예산 할당량은 각 클래스의 개수와 추가적인 합성 샘플이 가져다줄 것으로 예상되는 이점을 기준으로 결정됩니다. 둘째, 할당된 예산을 바탕으로, 글로벌-로컬 특징 정렬 및 사전 지식 기반 감독 방법을 통해 합성 포인트 클라우드를 최적화하는 3D 장비분포 매칭 모듈을 설계했습니다. 전자는 전체 클래스 분포와 다양한 내부 클래스 구조를 유지하고, 후자는 클래스별 전문적인 감독을 제공하여 희소 클래스의 샘플이 식별 가능하도록 하면서 동시에 일반적인 클래스의 다양한 패턴을 유지합니다. 광범위한 실험 결과는 저희 방법의 효과성을 입증하며, ShapeNet55 데이터 세트에서 기존 최고 성능 방법을 능가하는 7.0점의 분류 정확도 향상을 보여줍니다.

Dataset distillation compresses large-scale datasets into compact synthetic sets while preserving their training utility, enabling efficient 3D point cloud training. Current point cloud dataset distillation methods only tackle geometric and representation challenges while ignoring the distributional imbalance prevalent in point cloud datasets where both training and test splits follow long-tailed class distributions. To our knowledge, we present the first study on long-tailed point cloud dataset distillation. Rather than focusing primarily on geometric and representation properties or simply constructing a class-balanced synthetic set, our framework explicitly accounts for long-tailed class distributions via two core modules. First, we design Adaptive Synthetic Budgeting to allocate class-wise synthetic budgets according to class quantity and the expected benefit of additional synthetic samples. Given the allocated budgets, we further design 3D Long-Tailed Distribution Matching to optimize synthetic point clouds through Global-Local Feature Alignment and Prior-Aware Supervision. The former preserves both global class distributions and diverse intra-class structures, while the latter provides class-dependent expert supervision to keep tail-class samples recognizable while maintaining diverse head-class patterns. Extensive experiments demonstrate the effectiveness of our method, lifting classification accuracy by 7.0 points on ShapeNet55 against state-of-the-art methods.