تحليل السحابة النقطية يعتبر تحديًا بسبب عدم انتظامها وبنية البيانات غير المرتبة. لتقاطع الهندسة ثلاثية الأبعاد، تعتمد الدراسات السابقة بشكل أساسي على استكشاف مستخلصات هندسية محلية معقدة باستخدام آليات التفويض (convolution)، الرسم البياني (graph)، أو الانتباه (attention). ومع ذلك، فإن هذه الأساليب تسبب تأخيرًا غير مواتٍ أثناء الاستدلال، وأداءها قد بلغ نقطة التشبع خلال السنوات القليلة الماضية. في هذا البحث، نقدم وجهة نظر جديدة لهذه المهمة. لاحظنا أن المعلومات الهندسية المحلية التفصيلية ربما ليست المفتاح لتحليل السحابة النقطية -- نقدم شبكة MLP بقاء خالصة، تُدعى PointMLP، والتي لا تدمج أي مستخلصات هندسية محلية معقدة ولكنها ما زالت تؤدي بشكل تنافسي للغاية. مجهزة بمودول تحويل هندسي خفيف الوزن مقترح، يوفر PointMLP الحالة الجديدة للفن في عدة قواعد بيانات. على قاعدة البيانات الواقعية ScanObjectNN، يتفوق أسلوبنا حتى على أفضل الأساليب السابقة بنسبة دقة 3.3%. نؤكد أن PointMLP يحقق هذا الأداء القوي دون الحاجة إلى أي عمليات معقدة، مما يؤدي إلى سرعة استدلال متفوقة. بالمقارنة مع معظم الشبكات الحديثة مثل CurveNet، يتم تدريب PointMLP بمعدل أسرع ضعفين، واختباره بمعدل أسرع سبعة أضعاف، وهو أكثر دقة في معيار ModelNet40. نأمل أن يساعد PointMLP المجتمع في فهم أفضل لتحليل السحابة النقطية. يمكن الوصول إلى الكود من الرابط: https://github.com/ma-xu/pointMLP-pytorch.