論文の概要: CloudMamba: Grouped Selective State Spaces for Point Cloud Analysis
- arxiv url: http://arxiv.org/abs/2511.07823v1
- Date: Wed, 12 Nov 2025 01:22:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-12 20:17:03.496502
- Title: CloudMamba: Grouped Selective State Spaces for Point Cloud Analysis
- Title（参考訳）: CloudMamba: ポイントクラウド分析のためのグループ選択ステートスペース
- Authors: Kanglin Qu, Pan Gao, Qun Dai, Zhanzhi Ye, Rui Ye, Yuanhao Sun,
- Abstract要約: 我々は、上記の課題に対処するために、CloudMambaと呼ばれるSSMベースのポイントクラウドネットワークを利用する。
具体的には、前者が各軸に沿って点を個別にシリアライズし、後者が対応する高次特徴を融合するシーケンス拡張およびシーケンスマージを提案する。
並列な双方向のMambaで前方および後方のプロセスをチェーンするチェーンMambaを設計し、走査中に高レベルな幾何学的情報をキャプチャする。
- 参考スコア（独自算出の注目度）: 14.174498870034592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the long-range modeling ability and linear complexity property, Mamba has attracted considerable attention in point cloud analysis. Despite some interesting progress, related work still suffers from imperfect point cloud serialization, insufficient high-level geometric perception, and overfitting of the selective state space model (S6) at the core of Mamba. To this end, we resort to an SSM-based point cloud network termed CloudMamba to address the above challenges. Specifically, we propose sequence expanding and sequence merging, where the former serializes points along each axis separately and the latter serves to fuse the corresponding higher-order features causally inferred from different sequences, enabling unordered point sets to adapt more stably to the causal nature of Mamba without parameters. Meanwhile, we design chainedMamba that chains the forward and backward processes in the parallel bidirectional Mamba, capturing high-level geometric information during scanning. In addition, we propose a grouped selective state space model (GS6) via parameter sharing on S6, alleviating the overfitting problem caused by the computational mode in S6. Experiments on various point cloud tasks validate CloudMamba's ability to achieve state-of-the-art results with significantly less complexity.
- Abstract（参考訳）: 長距離モデリング能力と線形複雑性特性のため、マンバは点雲解析においてかなりの注目を集めている。
いくつかの興味深い進歩にもかかわらず、関連する研究はいまだに不完全な点雲のシリアライゼーション、高レベルの幾何学的認識の不足、およびマンバのコアにおける選択状態空間モデル(S6)の過度な適合に悩まされている。
この目的のために我々は、上記の課題に対処するため、CloudMambaと呼ばれるSSMベースのポイントクラウドネットワークを活用している。
具体的には、前者が各軸に沿った点を別々にシリアライズし、後者が対応する高次特徴を異なる列から因果的に推定し、未順序点集合がパラメータなしでより安定にマンバの因果性に適応できるようにするシーケンス拡張およびシーケンスマージを提案する。
一方,並列な双方向のMambaで前後のプロセスをチェーンするチェーン型Mambaを設計し,走査中に高レベルな幾何学的情報をキャプチャする。
さらに,S6上でのパラメータ共有によるグループ選択状態空間モデル(GS6)を提案する。
さまざまなポイントクラウドタスクの実験は、CloudMambaの最先端の結果を達成する能力の複雑さを著しく低減する。
関連論文リスト
- Samba+: General and Accurate Salient Object Detection via A More Unified Mamba-based Framework [66.2103745798444]
Saliency Mamba (Samba) は、純粋なMambaベースのアーキテクチャで、様々な異なるサルトオブジェクト検出タスクを柔軟に処理する。
Sambaは、計算コストの低い22データセット上の6つのSODタスクで、既存のメソッドを個別に上回ります。
Samba+は、トレーニング済みの汎用モデルを使用することで、これらのタスクとデータセット上でさらに優れた結果を得る。
論文 参考訳（メタデータ） (2026-02-02T03:34:25Z) - HydraMamba: Multi-Head State Space Model for Global Point Cloud Learning [10.222538107515547]
我々はHydraMambaと呼ばれる状態空間モデルに基づくポイントクラウドネットワークを探索する。
具体的にはシャッフルシリアライズ戦略を設計し、不順序点集合をS6の因果性に適応させる。
局所学習における既存の手法の欠如を克服するため,我々はConvBiS6層を提案する。
論文 参考訳（メタデータ） (2025-07-26T04:04:22Z) - PMA: Towards Parameter-Efficient Point Cloud Understanding via Point Mamba Adapter [54.33433051500349]
本稿では,事前学習モデルのすべての層から順序付き特徴系列を構成するPMAを提案する。
また、異なる層にまたがって共有される幾何学制約ゲートプロンプトジェネレータ(G2PG)を提案する。
論文 参考訳（メタデータ） (2025-05-27T09:27:16Z) - 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) - Pamba: Enhancing Global Interaction in Point Clouds via State Space Model [37.375866491592305]
我々は、SSMベースのアーキテクチャであるMambaをポイントクラウドドメインに導入し、線形複雑性の下で強力なグローバルモデリング機能を備えた新しいアーキテクチャであるPambaを提案する。
Pambaは、ScanNet v2、ScanNet200、S3DIS、nuScenesなど、いくつかの3Dポイントクラウドセグメンテーションタスクの最先端結果を取得する。
論文 参考訳（メタデータ） (2024-06-25T10:23:53Z) - MambaAD: Exploring State Space Models for Multi-class Unsupervised Anomaly Detection [53.03687787922032]
長距離モデリングと線形効率の優れたマンバモデルが注目されている。
本研究は,マルチクラス非教師付き異常検出へのMambaADの適用の先駆者であり,MambaADを提示する。
提案したLSSモジュールは、並列カスケード(Hybrid State Space) HSSブロックとマルチカーネル畳み込み操作を統合し、長距離情報とローカル情報の両方を効果的にキャプチャする。
論文 参考訳（メタデータ） (2024-04-09T18:28:55Z) - 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) - Differentiable Convolution Search for Point Cloud Processing [114.66038862207118]
本稿では,点雲上での新しい差分畳み込み探索パラダイムを提案する。
純粋にデータ駆動型であり、幾何学的形状モデリングに適した畳み込みのグループを自動生成することができる。
また,内部畳み込みと外部アーキテクチャの同時探索のための共同最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-29T14:42:03Z)
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。