3DMambaComplete：一种用于高效点云补全的结构化状态空间模型

《ACM Transactions on Multimedia Computing, Communications, and Applications》：3DMambaComplete: Structured State Space Model for High-Efficiency Point Cloud Completion

点云补全方法3DMambaComplete基于Mamba架构和选择性状态空间模型，通过hyperpoints生成和动态偏移扩散机制，结合点变形模块提升三维重建质量，实验验证其性能优于现有Transformer方法。

　　

摘要

点云补全旨在从不完整且质量较低的输入数据中重建出完整且高保真的点云。当前的方法主要依赖于Transformer架构进行特征提取。然而，这些方法存在两大局限性：一是注意力机制带来的计算复杂性，二是在池化操作过程中可能丢失细粒度细节。这些问题限制了它们在处理大规模和高度碎片化点云时的性能。为了解决这些挑战，我们提出了3DMambaComplete，这是一种基于选择性状态空间模型（SSM）的新型点云补全方法，特别利用了Mamba架构。与传统基于Transformer的方法不同，3DMambaComplete利用Mamba的线性时间复杂度高效地提取全局特征，同时大幅降低了计算开销。此外，我们还引入了被称为“超点”（Hyperpoints）的判别性节点以及动态偏移量来提升重建质量。具体来说，“超点生成模块”使用Mamba编码器对点云的下采样特征进行编码，生成一组能够捕捉关键信息的超点；“超点扩散模块”通过动态偏移量将这些超点分布到不同的空间位置，以减少数据聚合现象；“点变形模块”则将2D网格转换为详细的3D结构，从而实现高质量点云的补全。在广泛使用的基准数据集上的实验表明，3DMambaComplete在定量和定性评估中均优于现有的点云补全技术。