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

• 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)
• 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)
• 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。