DAPointMamba: Domain Adaptive Point Mamba for Point Cloud Completion¶

会议: AAAI 2026
arXiv: 2511.20278
代码: 无
领域: 3D视觉
关键词: 点云补全, 域自适应, State Space Model, Mamba, 跨域对齐

一句话总结¶

首次将 Mamba（SSM）引入无监督域自适应点云补全（UDA PCC），提出 DAPointMamba 框架，通过跨域 Patch 级扫描、空间 SSM 对齐和通道 SSM 对齐三个模块，在保持线性复杂度和全局感受野的同时实现了跨域高质量点云补全。

研究背景与动机¶

点云补全（PCC）是 3D 视觉的基础任务，广泛应用于自动驾驶、机器人和虚拟现实。然而现有监督方法在跨域部署时性能严重下降，因为不同传感器和场景带来的分布偏移。

现有 UDA PCC 方法主要面临两个瓶颈：

CNN 架构受限于局部感受野：基于卷积的骨干网络无法建模全局几何结构，限制了域不变特征学习
Transformer 架构面临二次复杂度：DAPoinTr 虽然引入了全局建模，但注意力机制的二次复杂度导致计算效率低下，尤其对长序列 patch 不友好

Mamba/SSM 模型天然具备全局感受野和线性复杂度的优势，但直接将 SSM 应用于 UDA PCC 会遇到以下挑战：

空间拓扑破坏：将稀疏非结构化 3D 点云直接序列化为 1D 序列会破坏空间拓扑和局部几何特征
缺乏域不变特征设计：现有 Point Mamba 架构缺少针对域迁移的专门设计

方法详解¶

整体框架¶

DAPointMamba 包含三个核心组件，形成从局部到全局的跨域对齐体系：

Cross-Domain Patch-Level Scanning (CDPS)：跨域 Patch 级扫描，保证序列化过程中的空间对应
Cross-Domain Spatial SSM Alignment (CDSA)：跨域空间 SSM 对齐，解决细粒度空间不一致
Cross-Domain Channel SSM Alignment (CDCA)：跨域通道 SSM 对齐，解决全局语义不一致

关键设计¶

CDPS：跨域 Patch 级扫描¶

CDPS 的核心思想是通过共享坐标归一化和 Z-order 序列化，确保源域和目标域的 patch 在空间上对齐。

具体步骤： 1. 计算源域和目标域的共享最小坐标：\(C_{min} = min(min(X_s, dim=1), min(X_t, dim=1))\) 2. 归一化并离散化到共享网格空间：\(G_s = [X_s - C_{min} * scale]\)，\(G_t = [X_t - C_{min} * scale]\) 3. 使用一致的 Z-order 曲线编码将 3D 坐标映射为 1D 序列 4. 按 Z-order 值排序后，将序列划分为 \(G\) 个 patch，每个包含 \(K\) 个点

由于统一归一化和 Z-order 序列化，第 \(g\) 个 patch 在两个域中对应同一空间区域，实现精确的 patch 级对齐。

CDSA：跨域空间 SSM 对齐¶

CDSA 通过基于相似度的特征调制来强化局部空间对齐：

对 patch 级特征应用深度可分离 1D 卷积：\(\mathcal{D}_s = DWConv(P_s^G)\)，\(\mathcal{D}_t = DWConv(P_t^G)\)
计算余弦相似度作为空间相似性权重：\(\mathcal{W}_{spatial} = cos(D_s, D_t)\)
使用相似性权重调制 patch 特征：\(\tilde{X}_s = P_s^G \odot W_{spatial}\)
通过 MSE 损失促进跨域局部特征一致性：\(\mathcal{L}_{sp} = \frac{1}{BDG}\sum(\tilde{X}_s - \tilde{X}_t)^2\)

设计直觉：高相似度区域保持不变，低相似度区域的特征被抑制，从而引导模型关注域间一致的空间结构。

CDCA：跨域通道 SSM 对齐¶

CDCA 针对全局语义不一致问题，通过通道混合和自适应调制实现全局对齐：

全局特征计算：对各 patch 求平均得到 \(g_s, g_t \in \mathbb{R}^{B \times D}\)
对齐强度估计：\(\alpha = Sigmoid(MLP([g_s, g_t])) \in \mathbb{R}^{B \times 1}\)
通道交叉混合：将特征通道分为 \(S\) 段，交替拼接源域和目标域片段
\(X_{s,mix} = [X_s^{(1)}, X_t^{(2)}, X_s^{(3)}, X_t^{(4)}, \cdots]\)
自适应相似度调制：计算混合表示的余弦相似度，结合 \(\alpha\) 生成自适应权重
通道对齐损失：\(\mathcal{L}_{ch} = \frac{1}{BDG}\sum(\tilde{F}_s - \tilde{F}_t)^2\)

设计亮点：通过信息交叉混合打破域边界，让源域和目标域的全局语义特征能够互相感知。

损失函数 / 训练策略¶

总损失函数：

\[\mathcal{L}_{total} = Loss_{(CD)} + \lambda L_{sp} + \beta L_{ch}\]

\(Loss_{(CD)}\)：Chamfer Distance 重建损失
\(\lambda = 0.1\)，\(\beta = 0.1\)
初始学习率 \(1 \times 10^{-3}\)，权重衰减 \(5 \times 10^{-2}\)，batch size 32
骨干：PointMamba 的 refinement 模块

实验关键数据¶

主实验¶

3D-FUTURE 数据集（CD↓，×10⁴）：

方法	Avg	Cabinet	Chair	Lamp	Sofa	Table
DAPoinTr	22.35	18.46	17.60	27.91	23.08	24.71
DAPointMamba	20.40	19.35	16.21	22.81	22.38	21.25

ModelNet 数据集（CD↓，×10⁴）：

方法	Avg	Plane	Car	Chair	Lamp	Sofa	Table
DAPoinTr	13.79	2.38	8.04	13.83	33.26	12.72	12.51
DAPointMamba	13.11	2.30	7.58	13.15	32.04	12.48	11.08

Real-World Scans（UCD↓/UHD↓，×10⁴/×10²）：

方法	ScanNet-Chair	KITTI-Car
DAPoinTr	1.1/2.7	0.45/1.8
DAPointMamba	0.95/2.8	0.40/2.1

消融实验¶

各模块逐步添加效果（3D-FUTURE Avg CD↓）：

Baseline	+CDPS	+CDSA	+CDCA
23.38	21.73	21.17	20.40

计算效率对比：

模型	Params(M)	FLOPs(G)	Time(ms)
DAPoinTr	36.904	24.912	23.774
DAPointMamba	9.571	5.192	3.820

关键发现¶

相比 DAPoinTr，参数量减少 74%，FLOPs 减少 79%，推理延迟减少 84%
CDPS 贡献最大（降低 1.65），CDCA 在高方差类别（lamp、table）上改进最显著
在真实世界扫描数据上，UCD 全面优于前方法，但 UHD（最大误差）略逊——这是因为方法优化的是整体形状而非极端点

亮点与洞察¶

首次探索 SSM 在 UDA PCC 中的适配性，填补了 Mamba 在域自适应点云任务上的研究空白
三层对齐体系设计精巧：CDPS（patch 空间对应）→ CDSA（细粒度空间对齐）→ CDCA（全局语义对齐），从局部到全局逐层递进
Z-order 曲线共享归一化是一个简洁但有效的跨域空间对齐手段
线性复杂度 + 高精度的平衡：在性能超越 Transformer 方案的同时（CD 降低 1.95），复杂度却大幅降低

局限性 / 可改进方向¶

UHD 指标（最大点误差）表现一般，可能需要引入边界点的特殊处理
仅验证了 synthetic→real 和 synthetic→synthetic 的迁移，缺少 real→real 场景
通道混合策略（偶数/奇数交替）较为固定，可以探索自适应混合比例
评估指标中 Cabinet 类别表现不如 DAPoinTr，表明某些几何形状的适配仍有改进空间

评分¶

新颖性: ⭐⭐⭐⭐ （首次将 Mamba 引入 UDA PCC，三个模块设计有新意）
实验充分度: ⭐⭐⭐⭐ （多个 benchmark + 真实数据 + 效率对比 + 可视化）
写作质量: ⭐⭐⭐⭐ （逻辑清晰，图表丰富）
价值: ⭐⭐⭐⭐ （为 Mamba 在域自适应 3D 任务中的应用开辟了新方向）