Der MLP-Mixer ist als neuer Herausforderer im Bereich der CNNs und Transformer aufgetreten. Trotz seiner Einfachheit im Vergleich zu den Transformatoren erreicht das Konzept der Kanalmisch-MLPs (channel-mixing MLPs) und Tokenmisch-MLPs (token-mixing MLPs) bemerkenswerte Leistungen bei visuellen Erkennungsaufgaben. Im Gegensatz zu Bildern sind Punktwolken intrinsisch dünn besetzt, ungeordnet und unregelmäßig, was die direkte Anwendung des MLP-Mixers für die Verarbeitung von Punktwolken einschränkt. In dieser Arbeit schlagen wir den PointMixer vor, einen universellen Operator für Punktmengen, der die Informationsaustausch unter unstrukturierten 3D-Punkten erleichtert. Durch die einfache Ersetzung der Tokenmisch-MLPs durch eine Softmax-Funktion kann der PointMixer Merkmale innerhalb/zwischen Punktmengen "mischen". Auf diese Weise kann der PointMixer in Netzwerken weitgehend als Inter-Mengen-Mischung, Intra-Mengen-Mischung und Pyramidenmischung eingesetzt werden. Umfangreiche Experimente zeigen die wettbewerbsfähige oder überlegene Leistung des PointMixers bei semantischer Segmentierung, Klassifizierung und Punkt-Rekonstruktion im Vergleich zu transformerbasierten Methoden.