نقطة سحابة مامبا: تعلم السحابة النقطية عبر نموذج الفضاء الحالة

في الآونة الأخيرة، أظهرت نماذج الفضاء الحالة قدرات نمذجة عالمية قوية وتعقيدًا حسابيًا خطيًا مقابل الترانسفورمرات. تركز هذه الدراسة على تطبيق مثل هذا الهيكل لنمذجة بيانات السحابة النقطية عالميًا بشكل أكثر كفاءة وفعالية مع تعقيد حسابي خطي. وبشكل خاص، نثبت للمرة الأولى أن طرق السحابة النقطية المستندة إلى مامبا يمكن أن تتفوق على الطرق السابقة المستندة إلى الترانسفورمرات أو الشبكات العصبية متعددة الطبقات (MLPs). لتمكين مامبا من معالجة البيانات ثلاثية الأبعاد للسحابة النقطية بشكل أكثر فعالية، نقترح طريقة جديدة للتسلسل التجاوز الثابت لتحويل السحب النقطية إلى سلاسل نقاط ذات بُعد واحد مع ضمان أن النقاط المجاورة في السلسلة تكون أيضًا متجاورة فضائيًا. تنتج طريقة التسلسل التجاوز الثابت ستة متغيرات عن طريق تبديل ترتيب الإحداثيات \textit{x}، \textit{y}، والـ\textit{z}، واستخدام هذه المتغيرات بطريقة متناغمة يساعد مامبا في رصد بيانات السحابة النقطية بشكل شامل. بالإضافة إلى ذلك، لمساعدة مامبا في التعامل مع سلاسل النقاط بترتيبات مختلفة بشكل أكثر فعالية، نقدم نقاط الدفع لتزويد مامبا بقواعد ترتيب السلسلة. وأخيرًا، نقترح الترميز الموضعي بناءً على الخرائط الإحداثية الفضائية لإدخال المعلومات الموضعية في سلاسل السحابة النقطية بشكل أكثر فعالية. يتفوق Point Cloud Mamba على أفضل الطرق القائمة على النقاط (SOTA)، مثل PointNeXt، ويحقق أداءً جديدًا يعد الأفضل عالميًا (SOTA) على مجموعة بيانات ScanObjectNN، ModelNet40، ShapeNetPart، وS3DIS. من الجدير بالذكر أنه عند استخدام وحدة استخراج الميزات المحلية الأكثر قوة، يصل PCM لدينا إلى 79.6 mIoU على مجموعة بيانات S3DIS، مما يتفوق بشكل كبير على أفضل النماذج السابقة DeLA وPTv3 بمقدار 5.5 mIoU و4.9 mIoU على التوالي.