StruMamba3D：探索结构Mamba用于自监督点云表征学习
计算机视觉与模式识别
2025-07-31 v3
摘要
最近的Mamba方法通过利用状态空间模型(SSM)的高效上下文建模能力和线性复杂度，在点云表征学习中展现出惊人的性能。然而，这些方法仍面临两个关键问题限制SSM的潜力：在SSM处理过程中破坏3D点的相邻关系，以及在下游任务中输入长度增加时未能保留长序列记忆。为解决这些问题，我们提出StruMamba3D，这是一种新的自监督点云表征学习范式。它具有多个优势：首先，我们设计空间状态并用作代理人来保留点之间的空间依赖关系；其次，我们增强了SSM的状态更新策略，并纳入轻量级卷积以促进空间状态之间的高效结构建模；最后，我们引入序列长度自适应策略，降低基于Mamba的预训练模型对不同输入长度的敏感性。跨越四个下游任务的实验结果展示了我们方法的卓越性能。此外，我们的方法在不使用投票策略的情况下，在ModelNet40上实现了95.1%的准确率，在最具挑战性的ScanObjectNN分离上实现了92.75%的准确率。
引用
@article{arxiv.2506.21541,
title = {StruMamba3D: Exploring Structural Mamba for Self-supervised Point Cloud Representation Learning},
author = {Chuxin Wang and Yixin Zha and Wenfei Yang and Tianzhu Zhang},
journal= {arXiv preprint arXiv:2506.21541},
year = {2025}
}
备注
Accepted by ICCV 2025, website: https://chuxwa.github.io/project_StruMamba3D/