HiDe-Mamba: 基于状态空间模型的点云层次分析网络

TL;DR提出基于SSM的点云层次分析网络HiDe-Mamba，通过双分支序列化编码、方向感知状态空间建模和多视图联合优化，实现噪声鲁棒性与几何细节保真的平衡

Abstract

HiDe-Mamba针对三维点云处理中噪声分布复杂、几何拓扑敏感及传统SSM单向建模问题，提出双分支序列化编码（Hilbert + Trans-Hilbert）、法向量驱动的方向感知SSM和多视图联合渲染监督策略，在保持低计算成本的同时显著提升点云特征表示的空间一致性。

Method

传统SSM单向扫描策略与点云无序性冲突，破坏空间对称性并引入人为依赖关系；逐状态优化机制在点云数据上引发相邻点状态演化不一致性，导致局部振荡伪影；现有去噪方法在噪声检测精度与有效点保留率之间存在矛盾。

通过Hilbert曲线局部紧致性与Trans-Hilbert跨块跳跃连接构建方向可调的空间扫描机制，结合法向量扰动优化状态转移矩阵将三维几何映射至低秩流形空间，再通过多视角联合渲染监督（正交深度图 + L1+MS-SSIM混合损失）强化表面连续性约束。

双分支序列化

Hilbert + Trans-Hilbert 双分支序列化编码

Hilbert分支通过三维坐标编码保留空间局部性，Trans-Hilbert分支在块边界引入跨块跳跃连接解决长程结构断裂，通过可学习门控机制动态融合两个分支特征，自适应权衡局部紧密性与全局关联性

方向感知SSM

法向量驱动的方向感知状态空间建模

基于局部邻域协方差矩阵特征分解提取法向量，将法向量转换为权重扰动项修正SSM状态转移矩阵A，实现几何感知的长程空间关联建模，避免传统SSM单向建模导致的语义割裂

多视图监督

多视角联合渲染监督策略

通过6个正交虚拟相机将去噪点云投影为深度图，联合优化Chamfer距离损失和MS-SSIM深度图连续性损失，迫使点云在任意切平面方向保持表面平滑，增强几何连贯性

HiDe-Mamba网络架构：包含双分支序列化编码、特征去噪和多视图优化三个阶段

整体流程：(1) FPS提取关键点 → Hilbert/Trans-Hilbert双分支序列化 → 门控融合；(2) 自适应体素化生成粗粒度特征 → 法向量驱动SSM建模全局依赖 + 多尺度DWConv捕获局部模式 → 残差融合；(3) 多视图监督优化 → 三线性插值上采样 → KNN分割 + 交叉注意力 → 输出多尺度融合特征。

双分支序列化模块：Hilbert分支与Trans-Hilbert分支通过门控机制动态融合

Hilbert分支将三维坐标编码为整数索引后排序生成序列特征，Trans-Hilbert分支在块边界（第5、16、28点）插入跨块连接标识避免远距离结构断裂，门控机制通过MLP生成权重因子α实现局部与全局特征的自适应融合。

双分支特征去噪模块：局部分支（多尺度DWConv）与全局分支（法向量驱动SSM）通过MLP融合

局部分支在球坐标系下按半径划分三个环形区域（每区域采样8个点），通过DWConv编码相对位置与特征；全局分支通过协方差矩阵特征分解获取法向量，扰动修正状态转移矩阵A后执行SSM建模。两分支通过MLP+LN融合并引入增益系数γ平衡去噪强度和特征保留。

Results

ModelNet40 分类

93.10%

优于Point-BERT(92.7%)，参数量降低15.1% 在自监督方法中实现精度与效率的平衡

ShapeNet 部件分割

86.1%

mIoU

与Point-MAE(86.1%)持平，优于Point-BERT(85.6%) 分割精度与主流方法相当

ModelNet40 效率

23.0M

Params

比Point-BERT/MAE(27.1M)降低15.1% 显著降低参数量

ModelNet40 效率

11.8G

FLOPs

比Point-MAE(15.5G)降低23.9% 计算效率显著提升

Method	ModelNet40 OA%	ShapeNet mIoU%	Params(M)	FLOPs(G)
PointNet	89.2	83.7	3.6	4.9
PointNet++	90.7	85.1	1.0	4.9
DGCNN	92.9	85.2	1.3	12.4
PointNeXt	92.9	-	1.4	1.6
Point-BERT	92.7	85.6	27.1	10.6
Point-MAE	93.2	86.1	27.1	15.5
HiDe-Mamba ours	93.10	86.1	23.0	11.8

HiDe-Mamba在ModelNet40分类任务中达到93.10% OA，参数量仅23.0M、FLOPs为11.8G，相比Point-BERT/MAE的27.1M参数降低15.1%。在ShapeNet部件分割上mIoU达到86.1%，与Point-MAE持平。消融实验证实：双分支序列化较随机序列提升2.82% OA，SSM较MLP提升2.81% OA且参数降低15.1%，多视图联合损失较单独几何损失在分割任务上提升1.8% mIoU。

Qualitative Results

ShapeNet数据集上分割结果可视化：飞机机翼、机尾、机舱等部件均被正确分割