StruMamba3D：探索用于自监督点云表征学习的结构化 Mamba

基于摘要分析。本文研究自监督点云表征学习，针对 Mamba 在处理三维点云时可能破坏点间邻接关系，以及下游输入序列增长时难以保持长序列记忆的问题，提出 StruMamba3D，以空间状态建模和序列长度自适应改善结构表征。 核心机制包括：以空间状态作为代理，保留点间空间依赖；采用逐状态更新策略增强 State Space Model（SSM），并引入轻量卷积促进空间状态间交互；通过序列长度自适应策略，降低预训练 Mamba 模型对输入长度变化的敏感性。摘要未交代空间状态的构建方式、自监督目标、长度自适应的具体实现及训练规模，相关机制仍需正文核对。 作者报告在四项下游任务上取得较优表现，其中在不使用投票策略的评估条件下，ModelNet40 的 Accuracy 为 95.1%，ScanObjectNN 最具挑战性划分的 Accuracy 为 92.75%，并称达到 SOTA。摘要未明确该划分名称、数据处理、微调协议和对照设置，因此不能据此作跨协议比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在迁移路径是将空间状态代理用于表示 EEG 电极邻接关系，再检验长度自适应机制能否缓解输入时间窗变化造成的性能下降。原方法依赖三维点云的空间结构；可考虑复用状态交互与更新思路，但需改造电极坐标编码、时空输入组织和自监督目标。EEG 的低信噪比、跨被试差异、通道缺失及小数据条件可能使空间代理失效，点云中的有效性不等于 EEG 有效性。一个小规模检验是假设检验式地固定 EEG 数据划分与训练预算，在跨被试协议下比较原始 Mamba 与加入空间状态及长度自适应模块的版本，测试不同时间窗长度和通道缺失条件，并分别消融两个模块。已有相关 EEG 工作尚未检索确认。