本文介绍了多种新型模型在点云学习和医学图像分割中的应用。PointRWKV模型通过全局处理提取几何特征，SegMamba在3D医学图像分割中表现优异。Mamba模型在序列处理上速度快，适用于多模态任务。TA-LoRA方法提升了多任务学习性能，U-Mamba结合卷积和序列模型的优势，优化医学图像分析。

本文综述了点云学习领域中深度学习方法在3D形状分类、物体检测与跟踪、点云分割等任务的最新进展，比较了公共数据集的结果，并探讨了未来的研究方向和挑战。

PatchFormer是一种用于点云学习的神经网络，通过自适应学习小基础和计算注意力矩阵来实现对不同尺度特征的关注。与以前的点Transformers相比，PatchFormer在准确性上表现出色，并且速度更快。