Mamba3D: Mejorando Características Locales para el Análisis de Nubes de Puntos en 3D mediante un Modelo de Espacio de Estados

Los modelos existentes basados en Transformer para el análisis de nubes de puntos sufren de complejidad cuadrática, lo que lleva a una resolución comprometida de la nube de puntos y pérdida de información. En contraste, el nuevo modelo propuesto Mamba, basado en modelos de espacio de estados (SSM), supera al Transformer en múltiples áreas con solo complejidad lineal. Sin embargo, la adopción directa de Mamba no logra un rendimiento satisfactorio en tareas de nubes de puntos. En este trabajo, presentamos Mamba3D, un modelo de espacio de estados adaptado al aprendizaje de nubes de puntos para mejorar la extracción de características locales, logrando un rendimiento superior, alta eficiencia y potencial de escalabilidad. Específicamente, proponemos un bloque de Local Norm Pooling (LNP) simple pero efectivo para extraer características geométricas locales. Además, para obtener mejores características globales, introducimos un SSM bidireccional (bi-SSM) con un SSM de avance de token y un nuevo SSM de retroceso que opera en el canal de características. Resultados experimentales extensos muestran que Mamba3D supera a los contrapartes basados en Transformer y trabajos concurrentes en múltiples tareas, con o sin preentrenamiento. Notablemente, Mamba3D logra múltiples SoTA, incluyendo una precisión general del 92.6% (entrenamiento desde cero) en el ScanObjectNN y un 95.1% (con preentrenamiento de modo único) en la tarea de clasificación ModelNet40, con solo complejidad lineal.