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

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

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

点云分割的序列化Mamba模型结合局部和全局建模能力，通过压缩序列、降低内存使用和提升计算效率，实现了室内和室外数据集上最先进的性能。

Jul, 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