Simba
Simba: Towards High-Fidelity and Geometrically-Consistent Point Cloud Completion via Transformation Diffusion（AAAI 2026）— 首将点云补全重新定义为变换场（transformation field）上的条件扩散生成，结合对称先验与 Mamba 架构。
Overview
- 发布时间：AAAI 2026（arXiv 2511.16161v1）
- 作者机构：南京航空航天大学
- 代码：I2-Multimedia-Lab/Simba
- 核心洞察：SymmCompletion 等回归方法有两大局限：① 过拟合训练分布，记忆特例而非泛化几何先验；② 逐点回归对噪声极度敏感
架构（两阶段）
Stage 1: SymmGT 预训练
- 从部分点云和完整 GT 中提取关键点特征，通过交叉注意力回归目标变换场 $T^{gt} \in \mathbb{R}^{K \times 12}$（逐点 3×3 仿射矩阵 + 3D 平移向量）
- 使用 CD 损失训练
Stage 2: Sym-Diffuser + MBA-Refiner
Sym-Diffuser（对称扩散模块）
- 核心思想：不扩散点坐标，而是扩散变换场
- 以部分点云特征 $F_k$ 为条件，学习变换场的条件分布 $p(T|F_k)$
- 100 步扩散，使用一致性模型风格训练目标
- 推理时从随机噪声去噪得到变换场，生成初始完整点云 $P_{init} = P_k \cup P_s$
MBA-Refiner（Mamba 基础细化器）
- 三级联：Blocks 1-2 使用 Cross-Attention 融合，Block 3 使用 Mamba Fusion
- Mamba Fusion 将多源特征排序后通过 Mamba 处理，避免 O(N²) 注意力复杂度
- 渐进式上采样：2× → 2× → 4×
关键创新
- 变换扩散：首次将点云补全建模为变换场的分布学习，而非坐标扩散
- MBA-Refiner：Mamba 替代 Transformer 做细化，降低计算复杂度
- 强跨域泛化：合成数据训练的模型在 KITTI 真实数据上无需微调即有竞争力
性能（PCN Dataset, CD × 10³ ↓）
| 方法 | CD-AVG |
|---|---|
| SymmCompletion (AAAI 2025) | 6.28 |
| PCDreamer (CVPR 2025) | 6.52 |
| Simba | 6.34 |
注：Simba 在部分类别（Lamp, Watercraft）有优势，整体与 SymmCompletion 接近但跨域泛化更强。
Related
- symmcompletion — 前身工作，回归方法
- point-cloud-completion — 点云补全总览
- diffusion-model-3d — 扩散模型基础
Sources
- Simba PDF (22M) — AAAI 2026