DM3D：通过偏移引导的可微分扫描实现可变形 Mamba 用于点云理解
计算机视觉与模式识别
2026-04-06 v3
摘要
状态空间模型（SSM）在长序列建模方面显示出显著潜力，但其对输入顺序的依赖与点云的不规则性质相冲突。现有方法通常依赖预定义的序列化方案，其固定扫描模式无法适应多样化的几何结构。为解决这一局限，我们提出了 DM3D，一种用于点云理解的可变形 Mamba 架构。具体而言，DM3D 引入了一种偏移引导的可微分扫描机制，联合执行重采样和重排序。可变形空间重采样（DSR）通过自适应重采样局部特征来增强结构意识，而基于高斯的可微分重排序（GDR）实现了序列化顺序的端到端优化。我们进一步引入了一种连续感知状态更新（CASU）机制，根据局部几何连续性调节状态更新。此外，一个三路径融合模块促进了不同 SSM 分支之间的互补交互。这些设计共同实现了点云的结构自适应序列化。在基准数据集上的广泛实验表明，DM3D 在分类、少样本学习和部分分割任务上取得了最先进或极具竞争力的结果，验证了自适应序列化用于点云理解的有效性。
引用
@article{arxiv.2512.03424,
title = {DM3D: Deformable Mamba via Offset-Guided Differentiable Scanning for Point Cloud Understanding},
author = {Bin Liu and Chunyang Wang and Xuelian Liu and Ge Zhang},
journal= {arXiv preprint arXiv:2512.03424},
year = {2026}
}