Mamba24/8D：通过状态空间模型增强点云全局交互

基于摘要分析。该研究面向 3D 点云语义分割，针对 Transformer 二次复杂度限制同时处理的点数及长程依赖建模的问题，提出基于状态空间模型（SSM）的 Mamba24/8D，旨在以线性复杂度增强点云的全局交互。 核心机制包括两部分：一是多路径序列化策略，将无序点云组织为适配 Mamba 因果建模的序列；二是 ConvMamba block，用于补偿 Mamba 在局部几何建模和单向建模方面的不足。摘要未说明序列化路径的构造规则、局部算子的具体实现、模块融合方式或训练目标，不能由模型名称推断路径数量或网络结构。 作者报告，Mamba24/8D 在 ScanNet v2、ScanNet200 和 nuScenes 的 3D 点云分割任务上取得最先进结果，并通过广泛实验验证有效性。摘要未提供具体指标、分数、数据划分、对照基线及计算开销；实验协议、消融及统计信息尚未验证。阅读全文时需核对线性复杂度所涵盖的计算环节，以及多路径处理的实际时间和内存成本。 平台推测（待验证）：可迁移的机制假设是利用多路径组织与局部信息补偿，缓解序列扫描顺序对全局建模的影响，而非直接复用点云分割结论。原方法依赖点云空间结构，EEG 则具有时间顺序、通道位置和低信噪比等不同约束；SSM 全局建模思路可能可复用，但序列化方式和局部算子需按时间轴与电极布局改造。跨被试差异、通道布局变化及小样本训练可能使多路径收益消失。一个可证伪的小实验是在固定数据划分和训练预算下，对 EEG 分类比较单路径 SSM、增加多路径组织及再加入局部算子的结果，并同时记录分类指标与计算开销；该实验仅用于检验迁移假设。已有 EEG 相关工作尚未检索确认。