Im Bereich der tiefen Punktewolkenverarbeitung ist KPConv eine einzigartige Architektur, die Kernel-Punkte verwendet, um Faltungsgewichte im Raum zu platzieren, anstatt sich auf Multi-Layer-Perceptron (MLP)-Kodierungen zu verlassen. Obwohl es anfänglich Erfolg erzielt hat, wurde es seitdem von aktuellen MLP-Netzwerken übertroffen, die aktualisierte Designs und Trainingsstrategien verwenden. Aufbauend auf dem Prinzip der Kernel-Punkte präsentieren wir zwei neue Designs: KPConvD (depthwise KPConv), eine leichtere Architektur, die den Einsatz tieferer Strukturen ermöglicht, und KPConvX, ein innovativer Ansatz, der die depthwise-Faltungsgewichte von KPConvD mit Kernel-Aufmerksamkeitswerten skaliert. Durch die Verwendung von KPConvX in einer modernen Architektur und Trainingsstrategie können wir aktuelle Spitzenmethoden auf den Datensätzen ScanObjectNN, Scannetv2 und S3DIS überbieten. Wir validieren unsere Designentscheidungen durch Abstraktionsstudien und stellen unseren Code sowie unsere Modelle zur Verfügung.