摘要

我们提出了一种用于3D点云分析的非参数网络——Point-NN，该网络完全由不可学习的组件构成：最远点采样（FPS）、k近邻（k-NN）和池化操作，并结合了三角函数。令人惊讶的是，它在各种3D任务中表现出色，无需任何参数或训练，甚至超过了现有的完全训练模型。基于这一基本的非参数模型，我们提出了两种扩展方法。首先，Point-NN可以作为构建参数网络的基础架构框架，只需在其顶部插入线性层即可。凭借其优越的非参数基础，衍生出的Point-PN仅需少量可学习参数就能实现高性能与效率之间的良好平衡。其次，Point-NN可以在推理过程中作为即插即用模块应用于已训练的3D模型中。Point-NN捕捉到了互补的几何知识，在无需重新训练的情况下增强了现有方法在不同3D基准测试中的表现。我们希望我们的工作能够为社区提供一种通过非参数方法理解3D点云的新视角。代码可在https://github.com/ZrrSkywalker/Point-NN 获取。