DAPointMamba：用于点云完成的数据驱动点Mamba
计算机视觉与模式识别
2025-11-26 v1
摘要
数据驱动点云完成（DA PCC）旨在缩小标记源域与未标记目标域之间的几何和语义差异。现有方法要么因使用CNN或视觉Transformer而受限于感受野，要么因采用二次复杂度。本文首次研究了状态空间模型（SSM）在DA PCC中的适应性，发现直接将SSM应用于DA PCC将面临多个挑战：将3D点云直接序列化为1D序列会破坏目标域的空间拓扑和局部几何特征。此外，对学习域无关表示的设计忽视会阻碍适应性能。为此，我们提出一种新型框架DAPointMamba for DA PCC，该框架在域间适应性方面表现突出，同时拥有全局感受野和高效线性复杂度。它包含三个新模块。具体而言，Cross-Domain Patch-Level Scanning引入了patch级几何对应关系，实现有效的局部对齐。Cross-Domain Spatial SSM Alignment通过基于跨域相似性调制patch特征来进一步强化空间一致性，有效缓解细粒度结构差异。Cross-Domain Channel SSM Alignment通过交错和对齐特征通道主动解决全局语义差距。广泛的实验在人造数据集和真实世界基准上表明，我们的DAPointMamba在计算复杂度和推理延迟方面均优于最先进的方法。
引用
@article{arxiv.2511.20278,
title = {DAPointMamba: Domain Adaptive Point Mamba for Point Cloud Completion},
author = {Yinghui Li and Qianyu Zhou and Di Shao and Hao Yang and Ye Zhu and Richard Dazeley and Xuequan Lu},
journal= {arXiv preprint arXiv:2511.20278},
year = {2025}
}
备注
Accepted to AAAI 2026