点群解析は、不規則かつ順序のないデータ構造のために困難を伴います。3次元形状を捉えるために、従来の研究では主に畳み込み、グラフ、または注意機構を使用した複雑な局所幾何抽出器の探索に依存していました。しかし、これらの方法は推論時に不利な遅延を引き起こし、過去数年間で性能が頭打ちになっています。本論文では、この課題に対する新しい視点を提示します。私たちは詳細な局所幾何情報が必ずしも点群解析の鍵ではないことに注目しました -- 局所幾何抽出器を一切使用せず、それでも非常に競争力のある性能を発揮する純粋な残差MLPネットワークであるPointMLPを導入します。提案された軽量幾何アフィンモジュールを搭載することで、PointMLPは複数のデータセットで新たな最先端の結果を達成しています。実世界のScanObjectNNデータセットにおいては、当手法は従来の最良手法よりも3.3%高い精度を示しています。私たちはPointMLPがいかなる複雑な操作もなくこの強力な性能を達成していることを強調します。これにより推論速度が大幅に向上しています。最近のCurveNetと比較すると、PointMLPは学習速度が2倍速く、テスト速度が7倍速く、ModelNet40ベンチマークでの精度も高いです。私たちはPointMLPが点群解析に関する理解の一助となることを願っています。コードはhttps://github.com/ma-xu/pointMLP-pytorch で公開されています。