Voxel Mamba：用于基于点云的 3D 目标检测的无分组状态空间模型

基于摘要分析。研究针对点云 3D 目标检测中，将三维体素序列化为一维序列后空间邻近性受损的问题，提出 Voxel Mamba，以无分组状态空间模型（SSM）处理整个体素空间，并结合双尺度结构和位置编码增强空间信息保留。 核心机制：现有序列化方法将体素划分为多个序列后输入 Transformer，其二次复杂度限制了通过扩大分组改善空间邻近性的做法。Voxel Mamba 利用 SSM 的线性复杂度，将整个体素空间序列化为单一序列。Dual-scale SSM Block 建立层级结构，旨在扩大一维序列化曲线上的感受野，同时覆盖更完整的三维局部区域；位置编码则在无分组框架下隐式引入窗口划分信息。具体序列化顺序、双尺度构造、位置编码形式及训练目标尚未验证。 结果与复现：作者报告，在 Waymo Open Dataset 和 nuScenes 的 3D 目标检测实验中，Voxel Mamba 相较所比较的先进方法获得更高检测精度，并具有计算效率优势。摘要未提供具体指标、数值、数据划分、基线配置或计算开销测量条件，因此尚不能判断提升幅度及比较的适用范围。材料提供了源代码地址，但实现、依赖、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是以低复杂度序列建模扩大上下文，并用多尺度结构与位置编码补偿序列化造成的空间信息损失；原方法依赖具有三维坐标和邻域关系的体素输入，服务于目标检测，而非神经信号解码。假设将 EEG 通道—时间片段组织为序列，可能复用 SSM 与多尺度建模思路，但需重新设计电极位置编码、时空顺序及任务输出，不能直接沿用体素几何。低信噪比、跨被试差异、通道缺失和小数据可能削弱效果。可在固定 EEG 数据划分和训练预算下，对比基础 SSM、加入空间位置编码及双尺度结构的版本，检验是否稳定改善解码表现与计算开销。已有相关 EEG 工作尚未检索确认。