MambaH-Fit：通过状态空间建模重新思考基于超曲面拟合的点云法线估计

我们提出了MambaH-Fit，一个专为基于超曲面拟合的点云法线估计设计的状态空间建模框架。现有的法线估计方法在建模细粒度几何结构方面往往不足，从而限制了预测法线的精度。最近，状态空间模型（SSMs），特别是Mamba，通过以线性复杂度捕获长程依赖关系并在点云处理方面启发了适配，展示了强大的建模能力。然而，现有的基于Mamba的方法主要关注理解全局形状结构，对局部细粒度几何细节的建模仍 largely 未被探索。为解决上述问题，我们首先引入注意力驱动层次特征融合（AHFF）方案来自适应地融合多尺度点云块特征，显著增强局部点云邻域中的几何上下文学习。在此基础上，我们进一步提出逐块状态空间模型（PSSM），将点云块通过状态动力学建模为隐式超曲面，实现对法线预测的有效细粒度几何理解。在基准数据集上的广泛实验表明，我们的方法在准确性、鲁棒性和灵活性方面优于现有方法。消融研究进一步验证了所提出组件的贡献。