3DMambaComplete:基于结构化状态空间模型的点云完善探索
通过借鉴最近的状态空间模型在长序列建模方面的潜力,我们引入了基于 SSM(状态空间模型)的架构 Mamba 到点云领域,并提出了 Mamba24/8D,它在线性复杂度下具有强大的全局建模能力。该架构在多个 3D 点云分割任务上取得了最先进的结果,并通过大量实验证实了其有效性。
Jun, 2024
基于状态空间模型 (SSM) 成功在 NLP 任务中进行序列建模的启发,我们提出了具有全局建模和线性复杂度的 PointMamba 框架,通过重新排序策略提供更合理的几何扫描顺序来增强 SSM 的全局建模能力,实验证明我们的 PointMamba 在不同的点云分析数据集上胜过基于 transformer 的对应模型,同时节省了约 44.3% 的参数和 25% 的 FLOPs,展示了构建基础 3D 视觉模型的潜在选择,并为点云分析提供了新的视角。
Feb, 2024
本研究首次展示了基于 Mamba 的点云方法能够超越基于点的方法,Mamba 具备强大的全局建模能力和线性计算复杂度,对点云分析非常具有吸引力。为了更有效地处理 3D 点云数据,我们提出了一种新颖的一致遍历序列化方法,将点云转换为 1D 点序列,并确保序列中相邻的点也是空间上相邻的。一致遍历序列化方法通过排列 x、y 和 z 坐标的顺序产生六种变体,通过这些变体的协同使用,有助于 Mamba 全面观察点云数据。此外,为了更有效地帮助 Mamba 处理不同顺序的点序列,我们引入了点提示的概念,以告知 Mamba 序列的排列规则。最后,我们提出了基于空间坐标映射的位置编码方法,更好地将位置信息注入点云序列中。基于这些改进,我们构建了一种名为 Point Cloud Mamba 的点云网络,它结合了局部建模和全局建模。Point Cloud Mamba 超越了 SOTA 方法 PointNeXt,并在 ScanObjectNN、ModelNet40 和 ShapeNetPart 数据集上取得了新的 SOTA 性能。
Mar, 2024
通过引入局部几何特征提取机制和双向状态空间模型(bi-SSM),Mamba3D 模型在点云学习中取得了超过 Transformer 的卓越性能、高效性和可扩展性,在多个任务中超越同类模型和并行研究,包括在 ScanObjectNN 任务中从头开始的 92.6% 综合准确性和在 ModelNet40 分类任务中基于单模态预训练达到 95.1% 的准确性,并且具有线性复杂度。
Apr, 2024
基于状态空间模型(SSM)的 Mamba 与 Transformer 架构相结合的 PointABM 模型,在改善局部特征以提高 3D 点云分析性能方面表现出优越性,并通过引入双向 SSM 框架和自注意机制进一步增强了特征提取能力,实验证明整合 Mamba 与 Transformer 显著提高了 3D 点云分析模型的能力。
Jun, 2024
提出了一种基于 SSM 的点云处理骨干网络 Point Mamba,具有因果感知的排序机制,在构建因果依赖关系方面采用基于八叉树的排序策略,通过全局排序点以 Z 序列并保留它们的空间接近度。与基于 transformer 的对应方法相比,我们的方法在 ModelNet40 分类数据集和 ScanNet 语义分割数据集上分别达到了 93.4%的准确率和 75.7 的 mIOU,且 Point Mamba 具有线性复杂度,比基于 transformer 的方法更高效。这表明 SSM 在点云理解中具有巨大潜力。
Mar, 2024
基于最近提出的状态空间模型(SSMs)的新型 4D 点云视频理解骨干网络,通过解开原始 4D 序列中的空间和时间,使用新开发的 Intra-frame Spatial Mamba 和 Inter-frame Temporal Mamba 模块建立了点云视频内部和帧间的时空关联,并在人体动作识别和 4D 语义分割任务上证明了该方法的优越性。
May, 2024
通过将 Transformer 和 Mamba 架构相结合,PoinTramba 方法在点云分析领域取得了显著进展,并在 ScanObjectNN、ModelNet40 和 ShapeNetPart 等数据集上展示了优越的性能,从而为该领域建立了新的分析标准。
May, 2024
为了解决传统 attention 机制在高分辨率三维形状生成中的可扩展性问题,我们引入了一种新颖的基于 Mamba 架构的扩散生成模型(DiM-3D),通过利用 Mamba 架构的高效性和线性复杂度,DiM-3D 在维持线性复杂度的同时实现了快速推理时间和大大降低的计算需求,并在 ShapeNet 基准测试上实验结果证明其在生成高保真度和多样性的三维形状方面表现出卓越性能。
Jun, 2024
本文提出了一种用于点云补全和上采样的新型神经网络 PMP-Net++,该网络通过点云的形变过程实现补全。 Transformer-enhanced representation learning 可以进一步提高 PMP-Net++ 的性能。
Feb, 2022