HydraMamba：用于全局点云学习的多头状态空间模型
计算机视觉与模式识别
2025-07-29 v1
摘要
注意力机制已成为点云学习中的主导算子，但其二次复杂度导致点间相互作用有限，阻碍了对象之间长程依赖的建模。由于其在全局点云上实现线性复杂度的长程建模能力，选择性状态空间模型（S6）作为 Mamba 的核心，已被用于点云学习以实现整个点云上的长程依赖相互作用。尽管取得了显著进展，但相关工作仍受限于点云序列化不完美以及缺乏局部学习。为此，我们提出一种基于状态空间模型的点云网络，称为 HydraMamba，以解决上述挑战。具体而言，我们设计了洗牌序列化策略，使无序点集更适应 S6 的因果性质。同时，为克服现有技术在局部学习方面的不足，我们提出了 ConvBiS6 层，能够同步捕获局部几何与全局上下文依赖。此外，我们提出 MHS6，通过扩展多头设计来进一步增强其建模能力。HydraMamba 在对象级和场景级各种任务上实现了最先进的成绩。代码已公开于 https://github.com/Point-Cloud-Learning/HydraMamba。
关键词
引用
@article{arxiv.2507.19778,
title = {HydraMamba: Multi-Head State Space Model for Global Point Cloud Learning},
author = {Kanglin Qu and Pan Gao and Qun Dai and Yuanhao Sun},
journal= {arXiv preprint arXiv:2507.19778},
year = {2025}
}
备注
Accepted by MM '25