Die Faltung von 3D-Punktwolken, die von 2D-Gitterdomänen abgeleitet ist, wird derzeit intensiv erforscht, bleibt jedoch weitgehend unvollkommen. Die herkömmliche Faltung charakterisiert die Merkmalskorrespondenzen zwischen 3D-Punkten ununterscheidbar, was eine inhärente Beschränkung bei der Lernfähigkeit unterschiedlicher Merkmale darstellt. In diesem Artikel stellen wir Adaptive Graph Convolution (AdaptConv) vor, das adaptiv angepasste Kerne für Punkte generiert, basierend auf dynamisch gelernten Merkmalen. Im Gegensatz zu festen/isotropen Kernen erhöht AdaptConv die Flexibilität der Faltung von Punktwolken erheblich und ermöglicht eine effektive und präzise Erfassung der vielfältigen Beziehungen zwischen Punkten unterschiedlicher semantischer Teile. Im Gegensatz zu gängigen Aufmerksamkeitsgewichtsschemata implementiert AdaptConv die Adaptivität innerhalb des Faltungsvorgangs, anstatt lediglich den Nachbarpunkten unterschiedliche Gewichte zuzuweisen. Umfangreiche qualitative und quantitative Evaluierungen zeigen, dass unsere Methode gegenwärtig beste Ansätze für Klassifikation und Segmentierung von Punktwolken auf mehreren Benchmark-Datensätzen übertrifft. Der Quellcode ist unter https://github.com/hrzhou2/AdaptConv-master verfügbar.