PointDGRWKV：将 RWKV 类架构推广至点云分类的未知领域
计算机视觉与模式识别
2025-09-01 v2
摘要
领域泛化 (DG) 近期被用于提升点云分类 (PCC) 模型对未知领域的泛化能力。先前方法基于卷积网络、Transformer 或 Mamba 架构，可能受限于感受野、计算成本或长程依赖建模不足。RWKV 作为一种新兴架构，具有线性复杂度、全局感受野和长程依赖优势。本文首次研究 RWKV 模型在 DG PCC 中的泛化性。我们发现，直接将 RWKV 应用于 DG PCC 面临两个显著挑战：RWKV 的固定方向 token 移位方法（如 Q-Shift）会对非结构化点云引入空间扭曲，削弱局部几何建模并降低鲁棒性；此外，RWKV 中基于指数加权的双向 WKV 注意力会放大跨域关键分布的细微差异，导致注意力偏移并降低泛化性能。为此，我们提出 PointDGRWKV，首个针对 DG PCC 的 RWKV 框架。它引入两个关键模块以提升空间建模和跨域鲁棒性，同时保持 RWKV 的线性效率。具体而言，我们提出自适应几何 token 移位以建模局部邻域结构，提高几何语境感知；此外，跨域关键特征分布对齐旨在通过跨域对齐关键特征分布来缓解注意力漂移。广泛实验表明，PointDGRWKV 在 DG PCC 上实现了最先进的性能。
引用
@article{arxiv.2508.20835,
title = {PointDGRWKV: Generalizing RWKV-like Architecture to Unseen Domains for Point Cloud Classification},
author = {Hao Yang and Qianyu Zhou and Haijia Sun and Xiangtai Li and Xuequan Lu and Lizhuang Ma and Shuicheng Yan},
journal= {arXiv preprint arXiv:2508.20835},
year = {2025}
}