摘要
基于 Mamba 的点云网络利用状态空间层处理序列化的点标记，并提供了高效的分类能力，然而其性能在很大程度上取决于序列化前生成的局部标记的质量。现有的标记化方法通过对称池化压缩局部块，从而丢弃了细粒度的几何关系，并在非均匀采样下引入了聚合偏差。为了解决这一问题，我们提出了一种密度感知的多层次几何增强方法。密度加权的标记编码器估计每个块内的局部点密度，并在聚合之前自适应地校准逐点贡献，从而减少冗余密集样本的主导地位。多层次局部几何分支直接从原始点中提取分层的基于坐标的邻域特征，并通过残差融合将它们注入序列化标记中，以补偿在块压缩过程中丢失的几何细节。此外，采用有监督对比学习作为辅助正则化器，以提高类内紧凑性和类间可分离性。在 ScanObjectNN 和 ModelNet40 上的实验证实了该方法的有效性：我们的方法在 OBJ_BG、OBJ_ONLY 和 PB_T50_RS 变体上分别达到了 94.42 ± 0.09%、92.11 ± 0.13% 和 87.89 ± 0.11%，而 ModelNet40 的准确率达到 93.04 ± 0.12%。这些结果仅使用了 12.57 M 参数，表明在评估的基准上具有良好的准确率与效率之间的权衡。
