MT-PCR：面向点云配准的混合Mamba-Transformer网络与空间序列化
计算机视觉与模式识别
2026-04-07 v2
摘要
点云配准（PCR）是3D计算机视觉和机器人学中的基础任务。大多数基于学习的PCR方法依赖Transformer架构，这导致了二次计算复杂度。这一限制影响了可处理的点云分辨率，不可避免地导致信息丢失。相比之下，Mamba是一种最近提出的基于状态空间模型的模型，在保持强大的长程上下文建模能力的同时实现了线性计算复杂度。然而，由于点云数据的无序和不规则特性，直接将Mamba应用于PCR任务会产生次优性能。为了解决这些挑战，我们提出了MT-PCR，这是第一个集成Mamba和Transformer模块的点云配准框架。具体来说，我们使用Z-order空间填充曲线对点云特征进行序列化，以强制空间局部性，使Mamba能够更好地建模输入的几何结构。此外，我们移除了Mamba序列建模中常用的顺序指示模块，从而在我们的设置中提升了性能。序列化后的特征随后由优化的Mamba编码器处理，再经过基于Transformer的特征细化阶段。在多个基准上的广泛实验表明，MT-PCR在准确性和效率方面均优于基于Transformer的方法和其他最先进方法，显著降低了GPU内存使用和FLOPs。
引用
@article{arxiv.2506.13183,
title = {MT-PCR: Hybrid Mamba-Transformer Network with Spatial Serialization for Point Cloud Registration},
author = {Bingxi Liu and An Liu and Hao Chen and Huaqi Tao and Jinqiang Cui and Yiqun Wang and Hong Zhang},
journal= {arXiv preprint arXiv:2506.13183},
year = {2026}
}
备注
12 Pages