RayMamba：面向长程 3D 目标检测的射线对齐序列化
计算机视觉与模式识别
2026-04-06 v1 人工智能
摘要
长程 3D 目标检测仍具有挑战，因为在远距离范围内，LiDAR 观察高度稀疏和碎片化，使得现有检测器难以可靠地进行上下文建模。为此，近期基于状态空间模型（SSM）的方法提高了长程建模效率。然而，其有效性仍受限于通用序列化策略，后者未能在稀疏场景中保留有意义的上下文邻域。为此，我们提出 RayMamba，一种用于基于体素的 3D 检测器的几何感知即插即用增强。RayMamba 通过射线对齐序列化策略将稀疏体素组织为部门级有序序列，从而保留方向连续性和遮挡相关上下文，以供后续的 Mamba 建模使用。它兼容 LiDAR-only 和多模态检测器，仅引入适度的开销。广泛的实验在 nuScenes 和 Argoverse 2 上表明在强大基线上实现了一致的改进。特别是，在 nuScenes 上具有挑战性的 40--50 米范围内，RayMamba 实现了最高达 2.49 mAP 和 1.59 NDS 的提升，并在 Argoverse 2 上将 VoxelNeXt 从 30.3 提升至 31.2 mAP。
引用
@article{arxiv.2604.02903,
title = {RayMamba: Ray-Aligned Serialization for Long-Range 3D Object Detection},
author = {Cheng Lu and Mingqian Ji and Shanshan Zhang and Zhihao Li and Jian Yang},
journal= {arXiv preprint arXiv:2604.02903},
year = {2026}
}