論文の概要: DM3D: Deformable Mamba via Offset-Guided Gaussian Sequencing for Point Cloud Understanding

• arxiv url: http://arxiv.org/abs/2512.03424v1
• Date: Wed, 03 Dec 2025 03:57:41 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 11:58:02.784567
• Title: DM3D: Deformable Mamba via Offset-Guided Gaussian Sequencing for Point Cloud Understanding
• Title（参考訳）: DM3D: ポイントクラウド理解のためのオフセットガイドガウスシークエンシングによる変形可能なMamba
• Authors: Bin Liu, Chunyang Wang, Xuelian Liu,
• Abstract要約: ポイントクラウド理解のための変形可能なMambaアーキテクチャである textbfDM3D を提案する。 DM3Dはオフセット誘導型ガウスシークエンシング機構を導入し、デフォルマブルスキャン内で局所再サンプリングとグローバルリオーダーを統一する。 ベンチマークデータセットの実験では、DM3Dは分類、少数ショット学習、部分セグメンテーションにおける最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 3.527291567639774
• License:
• Abstract: State Space Models (SSMs) demonstrate significant potential for long-sequence modeling, but their reliance on input order conflicts with the irregular nature of point clouds. Existing approaches often rely on predefined serialization strategies, which cannot adjust based on diverse geometric structures. To overcome this limitation, we propose \textbf{DM3D}, a deformable Mamba architecture for point cloud understanding. Specifically, DM3D introduces an offset-guided Gaussian sequencing mechanism that unifies local resampling and global reordering within a deformable scan. The Gaussian-based KNN Resampling (GKR) enhances structural awareness by adaptively reorganizing neighboring points, while the Gaussian-based Differentiable Reordering (GDR) enables end-to-end optimization of serialization order. Furthermore, a Tri-Path Frequency Fusion module enhances feature complementarity and reduces aliasing. Together, these components enable structure-adaptive serialization of point clouds. Extensive experiments on benchmark datasets show that DM3D achieves state-of-the-art performance in classification, few-shot learning, and part segmentation, demonstrating that adaptive serialization effectively unlocks the potential of SSMs for point cloud understanding.
• Abstract（参考訳）: 状態空間モデル(SSM)は、長周期モデリングにおいて大きな可能性を示すが、入力順序への依存は点雲の不規則な性質と矛盾する。 既存のアプローチは、しばしば定義済みの直列化戦略に依存しており、多様な幾何学的構造に基づいて調整することはできない。 この制限を克服するために、ポイントクラウド理解のための変形可能なMambaアーキテクチャである \textbf{DM3D} を提案する。 具体的には、DM3Dはオフセット誘導型ガウスシークエンシング機構を導入し、デフォルマブルスキャン内で局所再サンプリングとグローバルリオーダーを統一する。 ガウスに基づくKNNリサンプリング(GKR)は、隣接点を適応的に再構成することで構造的認識を高める一方、ガウスに基づく微分可能リオーダー(GDR)は直列化順序のエンドツーエンド最適化を可能にする。 さらに、Tri-Path Frequency Fusionモジュールは特徴相補性を高め、エイリアスを低減する。 これらのコンポーネントは同時に、点雲の構造適応シリアライゼーションを可能にする。 ベンチマークデータセットに対する大規模な実験により、DM3Dは分類、少数ショット学習、部分セグメンテーションにおける最先端のパフォーマンスを達成し、適応シリアライゼーションがポイントクラウド理解のためのSSMの可能性を効果的に解き放つことを示した。

関連論文リスト

• Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
  本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。 局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。 任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
  論文  参考訳（メタデータ） (2025-08-30T06:02:21Z)
• 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)
• GP-GS: Gaussian Processes for Enhanced Gaussian Splatting [15.263608848427136]
  本稿では,新しい3次元再構成フレームワークであるGaussian Processes enhanced Gaussian Splatting (GP-GS)を提案する。 GP-GSはスパース構造-運動点雲の適応的および不確実性誘導密度化を可能にする。 合成および実世界のデータセットで行った実験は、提案フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2025-02-04T12:50:16Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
  本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。 AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。 AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-12T11:48:49Z)

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。