点云的非结构化特性要求局部聚合能够适应不同的局部结构。以往的方法通过在每次聚合过程中显式地嵌入空间关系来实现这一点。尽管这种耦合方法已被证明在生成清晰语义方面有效，但由于重复的关系学习和混合方向特征与点特征时的冗余计算，聚合过程可能会显著减慢。在这项工作中，我们提出将显式建模空间关系与局部聚合解耦。我们从理论上证明了，只要基本的空间信息已经编码到点特征中，基本的邻域池化操作也可以在不损失特征融合清晰度的情况下发挥作用。作为解耦局部聚合的一个实例，我们提出了DeLA（Decoupled Local Aggregation），这是一种轻量级的点网络，在每个学习阶段首先形成相对空间编码，然后仅使用逐点卷积和边最大池化进行局部聚合。此外，还引入了一个正则化项来通过预测相对坐标减少潜在的模糊性。虽然概念上简单，但DeLA在五个经典基准测试中的实验结果表明，它能够在减少或相当的延迟下达到最先进的性能。具体而言，DeLA在ScanObjectNN上的总体准确率超过90%，在S3DIS Area 5上的平均交并比（mIoU）达到74%。我们的代码可在https://github.com/Matrix-ASC/DeLA 获取。