摘要

PointNet++ 是点云理解领域最具影响力的神经架构之一。尽管 PointNet++ 的准确性已被近期的网络如 PointMLP 和 Point Transformer 大幅超越，但我们发现，性能提升的很大一部分归因于改进的训练策略（即数据增强和优化技术）以及模型规模的扩大，而非架构创新。因此，PointNet++ 的全部潜力尚未得到充分挖掘。在本研究中，我们通过系统地研究模型训练和扩展策略，重新审视了经典的 PointNet++，并做出了两项主要贡献。首先，我们提出了一套改进的训练策略，显著提升了 PointNet++ 的性能。例如，在不改变架构的情况下，PointNet++ 在 ScanObjectNN 物体分类任务上的整体准确率（OA）可以从 77.9% 提高到 86.1%，甚至超过了最先进的 PointMLP。其次，我们将倒残差瓶颈设计和可分离多层感知机（MLPs）引入 PointNet++，以实现高效且有效的模型扩展，并提出了 PointNeXt——PointNets 的下一代版本。PointNeXt 可灵活扩展，并在 3D 分类和分割任务上均优于现有最先进方法。在分类任务中，PointNeXt 在 ScanObjectNN 上达到了 87.7% 的整体准确率，比 PointMLP 高出 2.3%，同时推理速度提高了 10 倍。在语义分割任务中，PointNeXt 在 S3DIS 数据集（6 折交叉验证）上实现了新的最先进性能，平均交并比（mean IoU）达到 74.9%，优于最近的 Point Transformer。代码和模型可在 https://github.com/guochengqian/pointnext 获取。