Mamba 在上下文中学习：面向多任务点云理解的结构感知域泛化
计算机视觉与模式识别
2026-03-24 v1
摘要
虽然最近的 Transformer 和 Mamba 架构推进了点云表示学习，但它们通常开发用于单任务或单域设置。直接将其应用于多任务域泛化（DG）会导致性能下降。Transformer 有效建模全局依赖关系，但受益于二次注意力成本且缺乏显式结构排序，而 Mamba 提供线性时间递归，却常依赖坐标驱动的序列化，对视角变化和缺失区域敏感，导致结构漂移和不稳定的序列建模。本文提出结构感知域泛化（SADG），一个基于 Mamba 的 In-Context 学习框架，跨域和跨任务保持结构层次结构。我们设计结构感知序列化（SAS），生成基于质心拓扑和测地曲率连续性的转换不变序列。进一步，我们构建层次域感知建模（HDM），通过整合域内结构和融合域间关系来稳定跨域推理。在测试时，我们引入轻量级谱图对齐（SGA），在谱域将目标特征移向源原型，而无需更新模型参数，确保结构保存的测试时特征平移。此外，我们引入 MP3DObject，一个用于多任务 DG 评估的真实扫描物体数据集。全面实验表明，所提方法提高了结构保真度，并在包括重建、去噪和配准在内的多个任务上 consistently 超过了 state-of-the-art 方法。
引用
@article{arxiv.2603.20739,
title = {Mamba Learns in Context: Structure-Aware Domain Generalization for Multi-Task Point Cloud Understanding},
author = {Jincen Jiang and Qianyu Zhou and Yuhang Li and Kui Su and Meili Wang and Jian Chang and Jian Jun Zhang and Xuequan Lu},
journal= {arXiv preprint arXiv:2603.20739},
year = {2026}
}
备注
Accepted to CVPR 2026