Voxel Mamba：用于基于点云的三维目标检测的无分组状态空间模型

基于摘要分析。该研究面向基于点云的三维目标检测，针对三维体素序列化为一维序列时空间邻近性受损、Transformer 难以低成本扩大分组的问题，提出 Voxel Mamba，以状态空间模型（SSM）实现无分组的全空间体素序列建模。 核心机制是将整个体素空间序列化为单一序列，利用 SSM 的线性复杂度支持无分组设计，减少分组带来的空间关联割裂。作者进一步提出 Dual-scale SSM Block，通过层级结构扩大一维序列化曲线上的感受野，并覆盖三维空间中更完整的局部区域；同时借助位置编码，在无分组框架下隐式引入窗口划分信息，以加强对体素空间位置的表达。具体序列化规则、状态更新方式、损失函数及训练配置尚未验证。 作者报告，在 Waymo Open Dataset 与 nuScenes 的三维目标检测实验中，Voxel Mamba 相比其所比较的先进方法具有更高精度及计算效率优势。摘要未提供具体指标、数值、数据划分、对照方法或计算效率测量条件，因而无法量化增益，也不能判断各模块的独立贡献；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移思路是以线性复杂度序列建模减少分组边界对长程关联的限制，并通过多尺度结构与位置编码补充空间信息。这一机制依赖可序列化的空间单元及有效的位置表达；对应 EEG 时，可考虑复用 SSM 与多尺度模块，但须将体素序列化和位置编码改造为符合通道拓扑、时间采样及任务监督的形式。EEG 的低信噪比、跨被试差异、通道配置变化与小数据条件可能使长序列建模收益消失，三维检测结果并不证明 BCI 性能改善。一个可检验的小实验是在同一 EEG 数据集、固定跨被试划分和训练预算下，对照分组与无分组 SSM，并消融多尺度结构和通道位置编码，同时记录任务指标、显存与推理耗时。已有 EEG 相关工作尚未检索确认。