本文提出了一种基于自注意力和多尺度非欧几里得几何信息的插件模块Multi-scale Geometry-aware Transformer（MGT），通过对点云数据的局部和全局几何信息的处理，成功提高了点云任务的性能表现。

Apr, 2023

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

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Mamba框架的3DMambaComplete网络通过Hyperpoints的选择、分布和形变实现点云完整性，超过了其他点云完整性方法，经定性和定量分析证实。

Apr, 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

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

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

本研究针对点云分割中存在的性能瓶颈，提出了一种新颖的架构MEEPO。该架构结合了空间局部性与强大的上下文理解能力，解决了原始Mamba在点云处理中的因果卷积及单向扫描策略带来的问题，从而实现了比目前最佳方法PTv3提升0.8 mIoU，并在速度和内存效率方面有显著改善。

Oct, 2024

本研究解决了点云处理中的高效性问题，特别是在高分辨率3D数据的上下文中。我们提出了一种将点云转换为保留3D空间结构的一维序列的方法，从而无需数据复制，有效实现Mamba的序列处理。研究发现该方法不仅无需位置嵌入，还能在ModelNet40和ScanObjectNN数据集上实现优秀的效果，超越了基于Transformers的模型。

Oct, 2024