SM3D: 缓解点云状态空间模型中的谱偏和语义稀释
计算机视觉与模式识别
2026-01-21 v3
摘要
点云是支撑各种计算机视觉任务的基本3D数据表示。最近，Mamba 在3D点云理解方面展现出巨大的潜力。然而，现有方法主要关注点序列化，忽略了更根本的局限性：状态空间模型（SSM）因其递归公式本质而呈现出谱低通偏置。在序列化的点云中，这种偏置尤其有害，因为它抑制了高频几何结构，并在深层网络中逐渐稀释语义可区分性。为解决这些限制，我们提出了SM3D，一个谱感知框架，用于协同保留几何保真性和语义一致性。首先，引入几何谱补偿器（GSC），通过显式注入基于局部拉普拉斯分析的高频分量来抵消低通偏置，从而恢复结构灵敏性。其次，我们设计了语义一致性校准器（SCR），通过频率感知通道校准来纠正语义漂移。为平衡理论精度和计算效率，SCR通过两种路径实现：精确拉普拉斯特征分解（SCR-L）和线性复杂度的切比雪夫多项式近似（SCR-C）。广泛的实验表明，SM3D实现了最先进的性能，包括在ModelNet40上的96.0%准确率和ShapeNetPart上的86.5% mIoU，验证了其在缓解谱低通偏置和语义稀释方面的有效性（代码：https://github.com/L1277471578/SM3D）。
引用
@article{arxiv.2505.11099,
title = {SM3D: Mitigating Spectral Bias and Semantic Dilution in Point Cloud State Space Models},
author = {Bin Liu and Chunyang Wang and Xuelian Liu},
journal= {arXiv preprint arXiv:2505.11099},
year = {2026}
}