Mamba24/8D: Enhancing Global Interaction in Point Clouds via State Space Model

Transformer模型已经在3D点云语义分割方面展示出令人印象深刻的结果。然而，Transformer的二次复杂度使得计算成本高，限制了可以同时处理的点的数量，并阻碍了对长距离依赖关系的建模。受最近状态空间模型（SSM）对长序列建模的巨大潜力的启发，我们将基于SSM的架构Mamba引入到点云领域，并提出了Mamba24/8D，它具有线性复杂度下的强大全局建模能力。具体来说，为了使点云的无序性与Mamba的因果性质相适应，我们提出了一种适用于点云的多路径串行化策略。此外，我们提出了ConvMamba块来弥补Mamba在建模局部几何和单向建模方面的缺点。Mamba24/8D在几个3D点云分割任务中，包括ScanNet v2、ScanNet200和nuScenes，获得了最先进的结果，其有效性得到了广泛的实验验证。

论文旨在解决3D点云语义分割中transformer计算成本高、难以处理大量点和长距离依赖性的问题，提出了一种基于状态空间模型的Mamba架构，以及ConvMamba块来弥补Mamba在建模局部几何和单向建模方面的不足。

Mamba架构基于状态空间模型，具有线性复杂度和强大的全局建模能力。同时，为了适应点云的无序性，提出了一种适用于点云的多路径串行化策略。

Mamba24/8D在多个3D点云分割任务中取得了最先进的结果，包括ScanNet v2、ScanNet200和nuScenes。实验结果验证了Mamba的有效性。

最近的相关研究包括Point Transformer、RandLA-Net和KPConv等。