.png){kind=icon}
返回
CompletionMamba: Taming State Space Model for Point Cloud Completion
.png){kind=icon}
PRE
AI
DOI：10.1109/TIP.2025.3597041.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
点云补全旨在从部分扫描中重建完整的3D形状。点之间的长距离依赖关系和形状感知对于此任务至关重要。尽管Transformer由于具备全局处理能力而有效，但其注意力机制的二次复杂度使其在计算资源受限时对长序列不适用。作为一种替代方案，状态空间模型（SSMs）为处理长距离依赖关系提供了内存高效解决方案，但直接将其应用于无序点云存在挑战，因为其固有的因果性要求。现有方法尝试通过沿单轴排序点来解决这个问题。然而，这种方法通常忽略了3D空间中的复杂因果关系，因为基于3D空间中点间欧氏距离的邻接关系可能无法通过这种线性排列得以保留。为克服此问题，我们提出了CompletionMamba，一种基于SSM的新型网络，旨在利用SSM捕获点云中的全局和局部依赖关系。首先，通过重新排列坐标将输入点云因果化结构化。然后，提出了一种局部SSM框架，基于欧氏距离为每个点定义邻域空间，以增强因果结构。尽管局部SSM增强了短距离和长距离序列的关系，但它仍缺乏对点云形状的完整建模。为解决此问题，我们通过将每个3D形状的形状码整合到模型中，提出了新颖的形状感知Mamba，从而实现形状信息向所有点的传播。我们的实验表明，CompletionMamba在MVP和PCN数据集上均取得了最先进的表现。
Keyword:
Point cloud completion
state space models
short-long-range dependency
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
.png){kind=icon}
ProxyFormer: Proxy Alignment Assisted Point Cloud Completion with Missing Part Sensitive Transformer
OAAI
OAAI分享收藏
查看更多内容