論文の概要: PointLAM: Local Attentive Mamba for Efficient Point-based 3D Object Detection

• arxiv url: http://arxiv.org/abs/2609.21780v1
• Date: Fri, 18 Sep 2026 13:53:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.132277
• Title: PointLAM: Local Attentive Mamba for Efficient Point-based 3D Object Detection
• Title（参考訳）: PointLAM: 効率的なポイントベース3次元物体検出のための局所減衰マンバ
• Abstract要約: LiDAR点雲からの3次元物体検出は、基本的なジレンマに直面している。 ボクセル法は幾何量子化のコストで効率性を達成するが、点ベース法は忠実さを保ちながら計算のボトルネックに悩まされる。 2つのシナジスティックな革新によって駆動される高効率で強力なポイントベースアーキテクチャであるPointLAMを提案する。
• 参考スコア（独自算出の注目度）: 7.5303607577572755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D object detection from LiDAR point clouds faces a fundamental dilemma: voxel-based methods achieve efficiency at the cost of geometric quantization, while point-based methods preserve fidelity but suffer from prohibitive computational bottlenecks. Specifically, point-based architectures are crippled by slow downsampling strategies (e.g., FPS) and expensive dynamic neighbor queries (e.g., k-NN) coupled with costly continuous interactions. To tackle these systemic inefficiencies, we propose PointLAM, a highly efficient and powerful point-based architecture driven by two synergistic innovations. First, to resolve the downsampling bottleneck, we develop the Laplacian Point Sampler (LPS). LPS employs an implicit discrete Laplacian high-pass filter and Doubly Sorted Sampling to achieve fast, structure-aware foreground preservation. Second, to overcome local modeling latency, we design the Local Hadamard Aggregator (LHA). LHA decouples spatial indexing from feature representation using transient grids, and replaces complex continuous interactions with a Hadamard Gating mechanism for topology-aware, attentive modulation. By coupling this local gating with Bi-Directional Mamba (BDM) layers for global sequence modeling, we formulate the Local Attentive Mamba (LAM) block. Powered by this architecture, PointLAM achieves competitive performance on nuScenes and Waymo for point-based detectors. It rivals highly optimized voxel competitors while requiring a fraction of the computational footprint, demonstrating marked superiority in detecting small instances and handling extreme sparsity. Project page: https://pointlam.github.io/.
• Abstract（参考訳）: ボクセル法は幾何量子化のコストで効率を達成し、点ベース法は忠実さを保ちながら計算のボトルネックに悩まされる。 具体的には、ポイントベースのアーキテクチャは、遅いダウンサンプリング戦略(例えば、FPS)と高価な動的隣り合うクエリ(例えば、k-NN)とコストのかかる連続的な相互作用によって損なわれます。 これらのシステム的非効率に対処するために,2つのシナジスティックな革新によって駆動される高効率で強力なポイントベースアーキテクチャであるPointLAMを提案する。 まず, ダウンサンプリングボトルネックを解決するために, ラプラシアン点サンプリング器(LPS)を開発した。 LPSは暗黙的なラプラシア高域通過フィルタとDouubly Sorted Smplingを用いて、高速で構造を意識した前景保存を実現している。 次に、局所モデリング遅延を克服するために、Local Hadamard Aggregator (LHA) を設計する。 LHAは、過渡格子を用いた特徴表現から空間インデックスを分離し、トポロジを意識した注意変調のためのアダマールゲーティング機構による複雑な連続的な相互作用を置き換える。 この局所的ゲーティングをBDM(Bi-Directional Mamba)層と結合して大域的シーケンスモデリングを行うことで、局所的注意的マンバ(LAM)ブロックを定式化する。 このアーキテクチャによって、PointLAM は nuScenes と Waymo でポイントベースの検出器の競合性能を達成する。 計算フットプリントのごく一部を必要としながら、高度に最適化されたボクセル競合と競合し、小さなインスタンスの検出と極端なスパシティの処理において、顕著な優位性を示している。 プロジェクトページ: https://pointlam.github.io/.com

関連論文リスト

• SFMambaNet: Spectral-Frequency Enhanced Selective State Space Model for Correspondence Pruning [10.38853040944686]
  対応プルーニングは、初期対応セットから不整合を識別することを目的としている。 既存のグラフニューラルネットワーク(GNN)ベースの手法のほとんどは、粗いユークリッド座標からマッピングされた幾何学的特徴に依存している。 SFMambaNetは,新しいスペクトル周波数拡張型マンバ型2視点対応プルーニングネットワークである。
  論文  参考訳（メタデータ） (2026-06-03T06:18:05Z)
• PointLAMA: Latent Attention meets Mamba for Efficient Point Cloud Pretraining [8.906813021681135]
  Mambaは最近、ポイントクラウドモデリングのバックボーンモデルとして広く注目を集めており、線形複雑性を伴う効率的なグローバルシーケンスモデリングを可能にするステートスペースアーキテクチャを活用している。 我々は,タスク対応のポイントクラウドシリアライゼーションを組み込んだポイントクラウド事前学習フレームワークであるtextbfPointLAMA,Latent AttentionとMambaブロックを統合したハイブリッドエンコーダ,Mambaバックボーン上に構築された条件拡散機構を提案する。
  論文  参考訳（メタデータ） (2025-07-23T07:57:35Z)
• Fast Point Cloud Geometry Compression with Context-based Residual Coding and INR-based Refinement [19.575833741231953]
  我々は、KNN法を用いて、原表面点の近傍を決定する。 条件付き確率モデルは局所幾何学に適応し、大きな速度減少をもたらす。 暗黙のニューラル表現を精製層に組み込むことで、デコーダは任意の密度で下面の点をサンプリングすることができる。
  論文  参考訳（メタデータ） (2024-08-06T05:24:06Z)
• 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)
• Decoupled Local Aggregation for Point Cloud Learning [12.810517967372043]
  本稿では,局所的な集合から空間関係の明示的なモデリングを分離することを提案する。 本稿では,各学習段階で相対的な空間符号化が最初に形成される軽量な点ネットワークであるDeLAを提案する。 DeLAはScanObjectNNで90%以上、S3DIS Area 5で74% mIoUを達成した。
  論文  参考訳（メタデータ） (2023-08-31T08:21:29Z)
• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• Efficient Person Search: An Anchor-Free Approach [86.45858994806471]
  パーソンサーチは、クエリーの人物を、リアルで切り刻まれていない画像から、同時にローカライズし、識別することを目的としている。 この目標を達成するために、最先端モデルは通常、Faster R-CNNのような2段階検出器にre-idブランチを追加する。 本研究では,この課題に対処するためのアンカーフリーな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-01T07:01:33Z)
• Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
  動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。 我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。 提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
  論文  参考訳（メタデータ） (2021-07-18T09:05:16Z)
• DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
  本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。 提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。 また、現在の最先端よりも推論速度を25%以上向上させる。
  論文  参考訳（メタデータ） (2020-11-26T14:56:57Z)

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。