摘要

点云分析由于其不规则和无序的数据结构而具有挑战性。为了捕捉三维几何特征，以往的研究主要依赖于使用卷积、图论或注意力机制来探索复杂的局部几何提取器。然而，这些方法在推理过程中会产生不利的延迟，并且在过去几年中性能趋于饱和。本文提出了一种新的视角来解决这一任务。我们注意到，详细的局部几何信息可能并不是点云分析的关键——我们引入了一个纯残差多层感知机网络（MLP），称为PointMLP，该网络没有集成任何复杂的局部几何提取器，但仍然表现出非常强的竞争力。通过引入一个轻量级的几何仿射模块，PointMLP在多个数据集上实现了新的最先进水平。在现实世界的ScanObjectNN数据集上，我们的方法甚至比之前的最佳方法提高了3.3%的准确率。我们强调，PointMLP在没有任何复杂操作的情况下实现了这一优异性能，从而导致了更快的推理速度。与最近的CurveNet相比，PointMLP训练速度快2倍，测试速度快7倍，并且在ModelNet40基准测试中更加准确。我们希望PointMLP能够帮助社区更好地理解点云分析。代码可在https://github.com/ma-xu/pointMLP-pytorch 获取。