CloudMamba：用于点云分析的分组选择状态空间
计算机视觉与模式识别
2025-11-12 v1
摘要
由于 Mamba 在点云分析中的远程建模能力和线性复杂度特性，已引起广泛关注。尽管已有研究取得了有趣的进展，但相关工作仍存在点云序列化不完美、高层几何感知不足以及选择性状态空间模型 (S6) 核心的过拟合问题。为此，我们提出一种基于状态空间模型 (SSM) 的点云网络 CloudMamba，以解决上述挑战。具体而言，我们提出序列扩展和序列合并两种操作，其中前者沿每个轴单独序列化点，后者用于因果地融合来自不同序列的高阶特征，使无序点集能够在无需额外参数的情况下适应 Mamba 的因果特性。同时，我们设计了 chainedMamba，通过串联前向和反向过程于并行双向 Mamba 中，捕获扫描过程中的高层几何信息。此外，我们通过在 S6 上进行参数共享，提出分组选择性状态空间模型 (GS6)，从而缓解了 S6 计算模式导致的过拟合问题。在各种点云任务上的实验表明，CloudMamba 能够以显著更低的复杂度实现最新成果。
引用
@article{arxiv.2511.07823,
title = {CloudMamba: Grouped Selective State Spaces for Point Cloud Analysis},
author = {Kanglin Qu and Pan Gao and Qun Dai and Zhanzhi Ye and Rui Ye and Yuanhao Sun},
journal= {arXiv preprint arXiv:2511.07823},
year = {2025}
}
备注
Accepted by AAAI '26