RWKV-PCSSC：探索 RWKV 模型用于点云语义场景补全
计算机视觉与模式识别
2025-11-14 v1
摘要
语义场景补全（SSC）旨在从不完整的输入生成完整的语义场景。现有方法通常采用参数数量较多的密集网络架构，导致模型复杂度和资源需求增加。为解决这些局限性，我们提出 RWKV-PCSSC，一种受接收加权键值（RWKV）机制启发的轻量级点云语义场景补全网络。具体来说，我们引入了一个 RWKV 种子生成器（RWKV-SG）模块，该模块可以聚合来自部分点云的特征，以生成带有粗略特征的粗略点云。随后，通过多阶段的 RWKV 点反卷积（RWKV-PD）模块逐步恢复点云的逐点特征。通过利用紧凑高效的设计，我们的方法实现了轻量级模型表示。实验结果表明，与最先进的方法 PointSSC 相比，RWKV-PCSSC 将参数数量减少了 4.18 倍，并将内存效率提高了 1.37 倍。此外，我们的网络在已建立的室内（SSC-PC, NYUCAD-PC）和室外（PointSSC）场景数据集以及我们提出的数据集（NYUCAD-PC-V2, 3D-FRONT-PC）上均达到了最先进的性能。
引用
@article{arxiv.2511.09878,
title = {RWKV-PCSSC: Exploring RWKV Model for Point Cloud Semantic Scene Completion},
author = {Wenzhe He and Xiaojun Chen and Wentang Chen and Hongyu Wang and Ying Liu and Ruihui Li},
journal= {arXiv preprint arXiv:2511.09878},
year = {2025}
}
备注
13 pages, 8 figures, published to ACM MM