摘要
我们提出了一种通用的三维点云处理卷积操作——位置自适应卷积（Position Adaptive Convolution, PAConv）。PAConv的核心思想是通过动态组合存储在权重库（Weight Bank）中的基础权重矩阵来构建卷积核，其中这些权重矩阵的系数由ScoreNet从点的位置中自适应地学习得到。这种方式使卷积核的构建具有数据驱动的特性，从而赋予PAConv相较于二维卷积更强的灵活性，能够更有效地处理不规则且无序的点云数据。此外，通过组合预存的权重矩阵而非直接从点位置粗暴预测卷积核，显著降低了学习过程的复杂度。与现有点卷积算子通常依赖高度工程化的网络结构不同，我们将在不改变原有网络配置的前提下，将PAConv集成到经典的基于多层感知机（MLP）的点云处理流程中。即使在结构简单的网络基础上，本方法仍能达到甚至超越当前最先进模型的性能，在分类与分割任务上均显著提升基线模型的表现，同时保持良好的计算效率。为深入理解PAConv的机制，本文提供了详尽的消融实验与可视化分析。相关代码已开源至：https://github.com/CVMI-Lab/PAConv。