摘要

2020年代三维感知技术的迅猛发展始于点云Transformer的提出。这类模型迅速超越了稀疏卷积神经网络（sparse CNNs），成为三维语义分割等任务的最先进方法。然而，稀疏CNN因其计算效率高、部署简便等优势，依然具有重要价值。在本研究中，我们重新审视稀疏CNN的设计差异，并探索其性能上限。研究发现，性能差距的关键在于模型的自适应能力。为此，我们提出两个核心组件：空间自适应感受野（adaptive receptive fields）和自适应关系建模（adaptive relation），以弥合稀疏CNN与Transformer之间的性能鸿沟。基于这一探索，我们提出了Omni-Adaptive 3D CNNs（OA-CNNs）——一类新型网络家族，通过引入轻量级模块，在几乎不增加计算开销的前提下，显著提升了稀疏CNN的自适应能力。令人瞩目的是，OA-CNNs完全不依赖自注意力机制，在室内与室外场景中均实现了优于点云Transformer的精度表现，同时具备更低的延迟和内存消耗。具体而言，在ScanNet v2、nuScenes和SemanticKITTI的验证集上，OA-CNNs分别取得了76.1%、78.9%和70.6%的mIoU（平均交并比），且推理速度最高可达Transformer类模型的5倍。这一成果揭示了纯稀疏CNN在三维感知任务中具备超越Transformer架构的巨大潜力。