Die Verarbeitung von Punktwolken-Daten ist eine zentrale Komponente vieler realweltrelevanter Systeme. Daher wurden zahlreiche punktbasierte Ansätze vorgeschlagen, die im Laufe der Zeit kontinuierliche Verbesserungen in den Benchmark-Ergebnissen dokumentieren. Wir untersuchen die wesentlichen Faktoren dieses Fortschritts und identifizieren zwei kritische Erkenntnisse. Erstens stellen wir fest, dass ergänzende Faktoren – wie unterschiedliche Evaluierungsschemata, Strategien zur Datenverstärkung (data augmentation) und Verlustfunktionen –, die unabhängig von der Modellarchitektur sind, einen erheblichen Einfluss auf die Leistung haben. Die Unterschiede sind so groß, dass sie die Wirkung der Architektur überdecken. Sobald diese Faktoren kontrolliert werden, zeigt PointNet++, ein vergleichsweise älteres Netzwerk, eine konkurrenzfähige Leistung gegenüber jüngeren Methoden. Zweitens erzielt ein äußerst einfacher, auf Projektion basierender Ansatz, den wir SimpleView nennen, überraschend gute Ergebnisse. Er erreicht auf dem ModelNet40-Datensatz Ergebnisse, die mit denen fortschrittlicher State-of-the-Art-Methoden vergleichbar oder sogar besser sind, und ist dabei nur halb so groß wie PointNet++. Zudem übertrifft SimpleView auch State-of-the-Art-Methoden auf ScanObjectNN, einem realen Welt-Datensatz für Punktwolken, und zeigt eine bessere Generalisierbarkeit über Datensätze hinweg.