基于局部特征增强与状态空间模型的三维点云学习框架LFE-PointMamba

本文提出LFE-PointMamba框架，通过协同优化局部特征增强模块与改进的Mamba架构（State Space Model, SSM），解决了Transformer二次计算复杂度和Mamba局部几何捕获不足的痛点。创新性采用复合特征表示、非因果分组卷积替换策略及Hilbert曲线动态重排技术，在ModelNet40和ScanObjectNN数据集上分别实现93.0%和89.3%的分类准确率，显著降低参数量的同时保持线性计算复杂度，为自动驾驶等三维视觉任务提供高效解决方案。

　　

亮点

• 提出复合特征表示与多尺度上下文融合模块，通过"少而精"的局部特征提取（全程无降采样）实现从局部微观结构到整体形状的渐进特征抽象

• 自适应改造Mamba架构：用非因果分组卷积替代因果卷积，使每个点能聚合所有空间邻域信息；在SSM并行分支引入局部特征提取，动态融合几何细节与全局上下文

• 提出"Hilbert曲线多元动态重排策略"：通过Hilbert变体生成几何邻近保持的有序序列，解决点云非结构化特性与Mamba序列化处理的矛盾

方法创新

针对Mamba单向建模与点云非因果几何关系的本质冲突，本方案突破性采用：

1. 1.

   复合特征表示：融合显式几何结构（如曲率、法向量）与隐式语义特征，通过三级级联图卷积实现多尺度上下文融合

2. 2.

   双路径特征融合：在SSM主分支进行全局建模的同时，并行局部特征提取分支通过分组卷积动态聚合邻域信息，平衡细节捕获与长程依赖建模

3. 3.

   动态序列优化：利用Hilbert曲线空间邻近特性，在不同Mamba块中动态重排序列，使节点在多次迭代中从不同前驱节点获取信息，避免序列长度翻倍带来的计算负担

性能表现

在最具挑战性的PB-T50-RS数据集上：

• 分类准确率89.3%（较传统Transformer提升6.2%）

• 分割任务平均IoU达86.1%

• 参数量减少37%，FLOPs降低52%

结论

LFE-PointMamba通过局部-全局协同优化框架，为三维视觉任务提供"高精度+低计算"的解决方案，其创新性的序列化策略和特征融合机制，为点云学习开辟了新范式。