Pamba：通过状态空间模型增强点云中的全局交互

基于摘要分析。本文研究 3D 点云语义分割中全局交互建模的计算成本问题，提出基于 Mamba 的 Pamba，以线性复杂度建模长程依赖，并通过多路径序列化和 ConvMamba 弥补点云无序性与序列建模之间的适配问题。 核心机制：摘要指出，Transformer 的二次复杂度限制了同时处理的点数，也制约单个场景内物体之间的长程依赖建模。Pamba 使用状态空间模型（SSM）作为全局建模基础；多路径序列化用于将无序点云组织成适合 Mamba 因果处理的序列，ConvMamba 则用于补偿局部几何建模与单向建模的不足。具体路径构造、模块实现、损失函数、训练和推理设置尚未验证，不能仅凭模块名称推断其结构。 结果与证据：作者报告在 ScanNet v2、ScanNet200、S3DIS 和 nuScenes 的点云分割任务上取得 state-of-the-art 结果，并称进行了广泛实验。摘要未提供具体指标、分数、数据划分或对照基线，因此这些优势的幅度及适用协议尚未验证；实验协议、消融及统计信息也需查阅全文确认。 平台推测（待验证）：迁移假设是，多路径序列化与局部—全局建模的组合可能用于 EEG 通道空间关系与长时间依赖的联合建模，但点云分割有效不等于 BCI 有效。原方法依赖点的空间几何及分割监督；EEG 则具有明确时间顺序、固定或变化的电极布局与不同监督任务。可评估复用 SSM 全局建模骨干，但序列化和局部几何模块需按电极坐标、时间因果约束及通道缺失情形改造。低信噪比、跨被试差异和小数据可能使路径设计引入伪邻接或过拟合。一个可证伪的小实验是在同一 EEG 数据集、固定跨被试划分和训练预算下，对比单路径 SSM、多路径 SSM 及加入局部模块的版本，检查任务指标与计算成本是否同时改善。已有 EEG 相关工作尚未检索确认。