في الآونة الأخيرة، أصبح استخدام تقنيات التدريب المسبق لتعزيز نماذج السحابة النقطية موضوعًا بحثيًا ساخنًا. ومع ذلك، تتطلب الأساليب الحالية غالبًا تدريبًا دقيقًا كاملًا للنماذج المدربة مسبقًا لتحقيق أداء مرضٍ في المهام اللاحقة، مما يرافقه استهلاك كبير للتخزين ومتطلبات حسابية عالية.لحل هذه المشكلة، نقترح طريقة جديدة للتدريب الدقيق الفعّال للمعلمات (PEFT) للسحابة النقطية، تُسمى PointGST (Graph Spectral Tuning للسحابة النقطية). تقوم PointGST بتجميد النموذج المدرب مسبقًا وتقدم مكيف سpectral قابل للتدريب ومدمج بخفة (PCSA - Point Cloud Spectral Adapter) لضبط المعلمات في المجال الطيفي. الفكرة الأساسية ترتكز على ملاحظتين: 1) قد تظهر الرموز الداخلية من النماذج المتجمدة بلبلة في المجال المكاني؛ 2) المعلومات الذاتية الخاصة بالمهام مهمة لنقل المعرفة العامة إلى المهام اللاحقة.بشكل خاص، تقوم PointGST بنقل الرموز النقطية من المجال المكاني إلى المجال الطيفي، مما يفصل فعلياً البلبلة بين الرموز باستخدام المكونات المستقيمة. بالإضافة إلى ذلك، فإن الأساس الطيفي المنتج يشتمل على معلومات ذاتية حول السحب النقطية اللاحقة، مما يمكن من ضبط أكثر استهدافاً. نتيجة لذلك، تسهل PointGST نقل المعرفة العامة إلى المهام اللاحقة بكفاءة عالية بينما تخفض بشكل كبير من تكلفة التدريب. أظهرت التجارب الواسعة على مجموعات بيانات صعبة للسحابة النقطية عبر مجموعة متنوعة من المهام أن PointGST لا فقط تتفوق على نظيرتها التي تخضع للتدريب الدقيق الكامل ولكنها أيضًا تقلل بشكل كبير من عدد المعلمات القابلة للتدريب، مما يجعلها حلًّا واعدًا لتعلم السحابة النقطية بكفاءة. فقد حققت تحسينات بنسبة +2.28٪، 1.16٪، و2.78٪ فوق أساس متين، مما أدى إلى تحقيق دقة بنسبة 99.48٪، 97.76٪، و96.18٪ على مجموعات البيانات ScanObjNN OBJ BG وOBJ OBLY وPB T50 RS على التوالي. هذا التقدم يؤسس لمقياس جديد للمستوى الأعلى في هذا المجال باستخدام فقط 0.67٪ من المعلمات القابلة للتدريب.