CVPR 2025

创新

基于transformer的4D主干由于其二次复杂度而通常存在较大的计算成本，特别是对于长视频序列。

开发了帧内空间Mamba模块，建立时空相关性。

GPU占用和速度很有优势。

代码还没发。

Pipeline

输入点云序列，根据超参数构建点管。

先进行帧内特征提取，每一帧tn，FPS采样后的n个点，它们所包含的邻域特征[n,c,(k)]，经过空间mamba进行聚合得到点特征[n,c]。用stack聚合前后多帧形成点管特征[kt,n,c]，并池化降维[n,c]。

然后进行帧间特征聚合，所有点管特征经过4D的位置编码，和后续的多个空间mamba块聚合时间信息。

Short-term Spatio-temporal Modeling就是原始PSTNet。

后续的Inter-frame Temporal Mamba就相当于PST-Transformer后续的Transformer。

Short-term Spatio-temporal Modeling

先进行锚点帧和帧内采样点的选择。

然后利用帧内mamba提取特征。

方程中部分过程在图片流程中没有体现，如MLP等。

使用时空解耦的方程表示为：

Inter-frame Temporal Mamba

利用多种序列扫描方式，并在后续的实验中进行对比。

实验

3D Action Recognition

MSR Action数据集

4D Action Segmentation

HOI4D数据集

4D Semantic Segmentation

Synthia 4D数据集中mIoU对比。

track：是否使用了点追踪。

Ablation Studies

帧内mamba块排序方式。

纯x，y，z的顺序不确定，不可复现。

Unidirection：使用默认构造出来的序列顺序，不打乱，但也不手动优化排序顺序。

使用手动的排序方式效果反而可能不如Unidirection，Unidirection包含一些原始的采样结构信息，而手工排序打乱了这一结构。

帧间mamba块排序方式。

跨帧的排序方式让Mamba更好建模时序动态变化，特别适合点云这种“空间+时间融合”的数据。