論文の概要: StruMamba3D: Exploring Structural Mamba for Self-supervised Point Cloud Representation Learning

• arxiv url: http://arxiv.org/abs/2506.21541v2
• Date: Tue, 01 Jul 2025 12:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-02 13:52:14.033547
• Title: StruMamba3D: Exploring Structural Mamba for Self-supervised Point Cloud Representation Learning
• Title（参考訳）: StruMamba3D: 自己教師型ポイントクラウド表現学習のための構造マンバ探索
• Authors: Chuxin Wang, Yixin Zha, Wenfei Yang, Tianzhu Zhang,
• Abstract要約: 自己教師付きポイントクラウド表現学習のための新しいパラダイムであるStruMamba3Dを提案する。 空間状態を設計し,それらをプロキシとして用いて点間の空間的依存関係を保存する。 提案手法は,ModelNet40上でのSOTA 95.1%の精度と,投票戦略を使わずに最も難しい分割ScanObjectNN上での92.75%の精度を実現する。
• 参考スコア（独自算出の注目度）: 31.585380521480868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, Mamba-based methods have demonstrated impressive performance in point cloud representation learning by leveraging State Space Model (SSM) with the efficient context modeling ability and linear complexity. However, these methods still face two key issues that limit the potential of SSM: Destroying the adjacency of 3D points during SSM processing and failing to retain long-sequence memory as the input length increases in downstream tasks. To address these issues, we propose StruMamba3D, a novel paradigm for self-supervised point cloud representation learning. It enjoys several merits. First, we design spatial states and use them as proxies to preserve spatial dependencies among points. Second, we enhance the SSM with a state-wise update strategy and incorporate a lightweight convolution to facilitate interactions between spatial states for efficient structure modeling. Third, our method reduces the sensitivity of pre-trained Mamba-based models to varying input lengths by introducing a sequence length-adaptive strategy. Experimental results across four downstream tasks showcase the superior performance of our method. In addition, our method attains the SOTA 95.1% accuracy on ModelNet40 and 92.75% accuracy on the most challenging split of ScanObjectNN without voting strategy.
• Abstract（参考訳）: 近年, 状態空間モデル(SSM)を有効利用し, 効率的なコンテキストモデリング能力と線形複雑度を活かして, ポイントクラウド表現学習における顕著な性能を実証している。 しかし、これらの手法は、SSMの潜在的な可能性を制限する2つの重要な問題に直面している: SSM処理中に3Dポイントの隣接性を低下させ、下流タスクの入力長が増加するにつれて、長いシーケンスメモリを保持することができない。 これらの課題に対処するために,自己教師型ポイントクラウド表現学習のための新しいパラダイムであるStruMamba3Dを提案する。 いくつかの利点を享受している。 まず,空間状態を設計し,それらをプロキシとして用いて点間の空間的依存関係を保存する。 第2に,SSMを状態的更新戦略で強化し,空間状態間の相互作用を容易にするための軽量な畳み込みを導入し,効率的な構造モデリングを行う。 第3に,事前学習したマンバモデルに対する感度を,シーケンス長適応戦略を導入することにより,入力長の変化に還元する手法を提案する。 4つの下流タスクにまたがる実験結果から,提案手法の優れた性能が示された。 さらに,本手法は,ModelNet40上でのSOTA 95.1%の精度と,投票戦略を使わずに最も難しい分割ScanObjectNN上での92.75%の精度を実現する。

関連論文リスト

• NIMBA: Towards Robust and Principled Processing of Point Clouds With SSMs [9.978766637766373]
  データ複製を必要とせずに3次元空間構造を維持できる点雲を1次元配列に変換する手法を提案する。 本手法では位置埋め込みは必要とせず, 精度を保ちながら短いシーケンス長が可能である。
  論文  参考訳（メタデータ） (2024-10-31T18:58:40Z)
• Mamba3D: Enhancing Local Features for 3D Point Cloud Analysis via State Space Model [18.30032389736101]
  状態空間モデル(SSM)に基づくMambaモデルは、線形複雑性のみを持つ複数の領域でTransformerより優れている。 我々は,局所的特徴抽出を強化するために,ポイントクラウド学習に適した状態空間モデルであるMamba3Dを提案する。
  論文  参考訳（メタデータ） (2024-04-23T12:20:27Z)
• Point Mamba: A Novel Point Cloud Backbone Based on State Space Model with Octree-Based Ordering Strategy [15.032048930130614]
  我々は、因果性を考慮した注文機構を備えた、新しいSSMベースのポイントクラウド処理バックボーン、Point Mambaを提案する。 本手法は, 変圧器をベースとした変圧器と比較して, 93.4%の精度と75.7mIOUの精度を実現している。 提案手法は,SSMが点雲理解において一般的なバックボーンとして機能する可能性を示す。
  論文  参考訳（メタデータ） (2024-03-11T07:07:39Z)
• Point Cloud Mamba: Point Cloud Learning via State Space Model [73.7454734756626]
  我々は,マンバをベースとしたポイントクラウド法が,トランスフォーマや多層パーセプトロン(MLP)に基づく従来手法よりも優れていることを示す。 特に,マルチ層パーセプトロン(MLP)を用いて,マンバをベースとした点雲法が従来手法より優れていることを示す。 Point Cloud Mambaは、最先端(SOTA)のポイントベースメソッドであるPointNeXtを超え、ScanNN、ModelNet40、ShapeNetPart、S3DISデータセット上での新たなSOTAパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-01T18:59:03Z)
• PointMamba: A Simple State Space Model for Point Cloud Analysis [65.59944745840866]
  我々は、最近の代表的状態空間モデル(SSM)であるMambaの成功を、NLPからポイントクラウド分析タスクへ転送するPointMambaを提案する。 従来のトランスフォーマーとは異なり、PointMambaは線形複雑性アルゴリズムを採用し、グローバルなモデリング能力を示しながら計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-16T14:56:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。