CompletionMamba：面向点云补全的状态空间模型适配

基于摘要分析。CompletionMamba 研究如何利用状态空间模型（SSM）从不完整扫描中重建完整 3D 形状，核心贡献是结合点云坐标重排、局部 SSM 和 shape-aware Mamba，同时建模点间依赖与整体形状信息。 机制与创新：摘要指出，Transformer 的全局处理有利于点云补全，但注意力的二次复杂度限制了资源受限条件下的长序列处理；SSM 提供更节省内存的替代路径，却面临无序点云与其内在因果顺序要求不匹配的问题。仅沿单轴排序可能无法保留 3D 欧氏空间中的邻接关系。CompletionMamba 首先通过坐标重排构造序列顺序，再围绕各点按欧氏距离定义邻域，以局部 SSM 加强依赖建模；随后将每个 3D 形状的 shape code 融入 shape-aware Mamba，使形状信息传播至各点。这里的“因果结构”是模型处理顺序，不宜解释为现实中的因果关系。 结果与验证边界：作者报告，CompletionMamba 在 MVP 和 PCN 数据集上达到最先进性能。摘要未提供具体指标、数据划分、对照方法或计算资源条件，因此无法核对提升幅度及效率收益。坐标重排规则、shape code 的来源、训练损失、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，空间邻域建模与全局表征注入可能有助于 EEG 的通道关系建模，但原任务依赖 3D 点坐标与形状信息，不等同于低信噪比的多通道时间序列。可复用的是邻域 SSM 和全局条件信息传播思路；需改造通道排序、邻域定义及全局编码，并保留时间结构。跨被试电极位置变化、通道缺失和小数据条件可能削弱效果。一个可证伪的小实验是在相同 Cross-subject 划分下，对比时间序列 SSM 与增加电极空间邻域的版本，再进行通道扰动测试，检验邻域模块是否带来稳定增益；已有 EEG 相关工作尚未检索确认。