Mamba3D：通过状态空间模型增强 3D 点云分析的局部特征

基于摘要分析。本文研究 3D 点云分析中 Transformer 的二次复杂度及直接采用 Mamba 时表现不理想的问题，提出面向点云学习的 Mamba3D，通过局部几何特征提取与双向状态空间建模结合局部、全局信息。 核心机制包括 Local Norm Pooling（LNP）模块，用于提取局部几何特征；以及 bidirectional SSM（bi-SSM），由沿 token 正向运行的 SSM 和在特征通道上运行的 backward SSM 组成。这里的“反向”涉及特征通道，不能仅据摘要将其解释为常规的序列反向扫描。LNP 的具体计算、点云序列化方式、通道扫描顺序及训练目标尚未验证。 作者报告，在 ScanObjectNN 分类任务上，从头训练的 overall accuracy 为 92.6%；在 ModelNet40 分类任务上，采用单模态预训练的 overall accuracy 为 95.1%。两项结果对应不同数据集与训练前提，不能直接比较。作者还报告，在有无预训练的多项任务中优于 Transformer 对照与同期工作，并声称取得多项 SoTA、保持线性复杂度。具体数据划分、预训练数据、基线配置、复杂度所对应的输入规模、实际运行效率、消融及统计信息尚未验证。摘要声明代码与权重已公开，但实现与结果可复现性尚未核验。 平台推测（待验证）：可探索的机制假设是，以局部结构提取弥补 SSM 对邻域信息的建模不足，再用 token 与通道扫描汇聚信息。这一路径原本依赖点云几何邻域及特征表示；若用于 EEG，需要重新定义电极空间邻域、时间 token 与通道关系，而非直接复制点云处理。低信噪比、电极布局差异和小数据可能使局部聚合放大噪声，通道扫描也可能受排序影响。一个可证伪的小实验是在固定 Cross-subject 划分、相同训练数据与预算下，对比基础 SSM、加入电极邻域模块及再加入通道扫描的版本，并检验通道重排是否改变结论。该实验仅检验迁移假设，不代表原论文已验证 EEG 效果；相关 EEG 工作尚未检索确认。