哈工大与宾大联合推出的PointKAN基于Kolmogorov-Arnold网络（KANs）进行点云分析，性能优于传统多层感知机（MLPs）。PointKAN通过Efficient-KANs结构显著减少参数量，同时保持高精度，尤其在小样本学习中展现出强泛化能力。

本文提出了一种双管齐下的方法解决单视图图像的三维重建问题，设计了3D-LMNet，通过潜在嵌入匹配实现多方案重建，实验结果表明其性能优于现有技术。同时，文中综述了三维点云分析技术及其应用，分析了当前技术面临的挑战和未来趋势。

本文介绍了多种点云分析方法，如正则化图卷积神经网络（RGCNN）和PointGPT，旨在提高点云分割和特征学习的效率。研究表明，采用动态适配器和提示调整等技术可以在减少训练参数和存储空间的同时提升模型性能。此外，半监督学习和领域广义点上下文学习在点云数据中的应用也展示了其在多个任务中的优越表现。

本文提出了PointMamba框架，利用状态空间模型（SSM）进行点云分析，展示了其在多个数据集上超越Transformer模型的性能。Mamba3D模型通过引入局部几何特征和双向SSM，在点云学习中表现出色，具有线性复杂度。此外，研究还提出了一致遍历序列化方法和位置编码，进一步提升了点云处理能力，展示了Mamba在3D视觉模型构建中的潜力。

本研究介绍了多尺度视觉模型MSVMamba和PointMamba框架，利用状态空间模型（SSM）在视觉任务中实现高效建模。PointMamba通过优化几何扫描顺序，在点云分析中超越了基于transformer的模型，节省了参数和计算资源。同时，综述了SSM在多个领域的应用及其在长序列建模中的优势，强调了Mamba模型在计算机视觉中的潜力和未来研究方向。

本研究介绍了基于Mamba算法的图像处理技术，包括图像融合、异常检测和点云分析。Mamba通过引入状态空间模型，在医学图像、点云处理和遥感图像分割等任务中表现出优越性能，超越传统方法，具有效率高和线性复杂度的特点。

本文提出了PointMamba框架，通过改进状态空间模型（SSM）在点云分析中的应用，展示了其在多个数据集上超越传统transformer模型的性能。PointMamba结合全局建模和线性复杂度，采用一致遍历序列化方法和位置编码，提升了点云处理效率，达到了新的SOTA性能，为3D视觉模型构建提供了新视角。

本文提出了一种具有旋转不变性的局部一致变换学习策略，解决了点云分析中的相对姿态丢失问题。通过结合对比学习和几何方法，提升了形状分类和部分分割任务的性能。此外，研究还介绍了无对应点云旋转配准方法和自监督预训练框架，均显示出优于现有方法的效果。

本文提出了PointMamba框架，利用状态空间模型（SSM）进行点云分析，展示了其在多个数据集上超越基于transformer的模型，节省了参数和计算资源。通过一致遍历序列化和位置编码方法，PointMamba结合局部与全局建模，取得了新的性能突破。此外，Graph-Mamba和nnMamba架构在图网络和医学图像分析中也表现出色，展示了Mamba系列模型在多模态任务中的潜力。

该文综述持久同调在机器学习中的应用，涵盖图分类、医学图像分类、点云分析和气体吸附预测。研究提出PHG-Net、RePHINE、可微拓扑层等方法，将拓扑特征与神经网络结合，在多个基准数据集上优于现有模型，并建立图区分的理论条件，推动拓扑深度学习发展。