私たちは新しい点雲上の畳み込み設計であるカーネルポイント畳み込み（Kernel Point Convolution: KPConv）を提案します。KPConvは中間表現を必要とせずに、直接点雲上で動作します。KPConvの畳み込み重みは、カーネルポイントによってユークリッド空間に配置され、それらに近い入力点に対して適用されます。任意の数のカーネルポイントを使用できるという特性により、KPConvは固定グリッド畳み込みよりも柔軟性が高くなります。さらに、これらの位置は空間内で連続であり、ネットワークによって学習することができます。したがって、KPConvは局所幾何学に適応するカーネルポイントを学習する変形可能な畳み込みへと拡張できます。規則的なサブサンプリング戦略のおかげで、KPConvは密度の異なるデータに対しても効率的かつ堅牢です。複雑なタスクでは変形可能なKPConvを使用し、単純なタスクでは剛体のKPConvを使用することで、私たちのネットワークはいくつかのデータセットにおいて最先端の分類およびセグメンテーション手法を上回っています。また、消去法研究や可視化を通じて、KPConvが学習した内容を理解し、変形可能なKPConvの記述能力を検証しています。注：「消去法研究」（ablation studies）は一般的には「削除実験」とも訳されることがあります。ただし、「消去法研究」の方がより形式的で正確な表現であるため採用しました。