point cloud

【论文精读（二十五）】PCM：Mamba 首次杀入 3D 点云，线性复杂度吊打 PTv3（ArXiv 2024）Zhang, T., Yuan, H., Qi, L., et al. (2024). Point Cloud Mamba: Point Cloud Learning via State Space Model. arXiv.

【论文精读（二十三）】PointMamba：点云界的“凌波微步”，线性复杂度终结 Transformer 霸权（NeurIPS 2024）博主导读：在点云分析的武林中，Transformer 家族（如 Point-MAE, PointGPT）凭借着强大的“全局注意力”心法，坐稳了 SOTA 的盟主宝座。但它们有一个致命的软肋：太重了！自注意力机制 O ( N 2 ) O(N^2) O(N2) 的复杂度，就像是一个体重 300 斤的大力士，虽然力大无穷，但遇到大规模场景（N 变大）时，显存直接爆炸，速度慢如蜗牛。这时候，隔壁 NLP 领域杀出了一匹黑马——Mamba。它号称拥有 Transformer 的全局视野，却只有 RNN

【论文精读（二十二）】PointMeta：点云江湖的“兵器谱”，用元架构终结算子内卷（CVPR 2023）博主导读：在点云深度学习的江湖里，各路门派为了争夺 SOTA 盟主之位，练就了各种花哨的武功。从 PointNet++ 的“球查询”，到 DGCNN 的“动态图”，再到 Point Transformer 的“自注意力”，网络结构越来越复杂，公式越来越长。但这就带来了一个大麻烦：大家的招式都太独特了，根本没法公平比武。当一个新的 SOTA 出现时，我们不知道它变强是因为它的“内功心法”（算子设计）真的好，还是因为它偷偷吃了“大力丸”（训练技巧、数据增强）。 PointMeta 站出来做了

【论文精读（十八）】SPoTr：拒绝盲目采样，自定位探针(Self-Positioning)如何“以点带面”？（CVPR 2023）博主导读：在点云 Transformer 的江湖里，各大门派（PointNet++, PTv1, PTv2）似乎都遵守着一个不成文的规定：“远亲不如近邻”。为了节省算力，大家纷纷画地为牢，只在 k-NN 或球查询 (Ball Query) 划定的局部圈子里折腾。但这种“几何邻域”真的靠谱吗？一只细长的椅子腿，它的几何邻居可能是地板，但它真正的“语义亲戚”其实是远在另一头的椅子背。单纯的局部注意力，注定是“只见树木，不见森林”。 SPoTr (Self-Positioning Transf

我是有底线的