3Dコンピュータビジョンの応用分野において、ポイントクラウドの少ショット学習は重要な役割を果たしています。しかし、データの疎さ、非規則性、および順序のない性質により、この課題は難易度が高くなっています。現在の方法では、畳み込み、グラフ、注意メカニズムなどの複雑な局所幾何抽出技術と、広範なデータ駆動型事前学習タスクに依存しています。これらのアプローチは、効率的な学習を促進することを目指す少ショット学習の基本的な目標と矛盾しています。この問題に対処するため、私たちは GPr-Net（Geometric Prototypical Network）と呼ばれる軽量で計算効率の高い幾何プロトタイプネットワークを提案します。このネットワークはポイントクラウドの内在的なトポロジーを捉え、優れた性能を達成します。私たちが提案する手法 IGI++（Intrinsic Geometry Interpreter++）は、ベクトルベースの手作り内在幾何解釈器とラプラスベクトルを使用してポイントクラウドの形態を抽出・評価し、FSL（Few-Shot Learning）における表現を改善します。さらに、ラプラスベクトルは少ない点数でも価値ある特徴を抽出することが可能となります。少ショット計量学習における分布シフト課題に対処するために、双曲空間を利用し、当アプローチが既存のポイントクラウド少ショット学習手法よりもクラス内変動とクラス間変動をよりよく扱うことを示しました。ModelNet40 データセットでの実験結果から、GPr-Net はポイントクラウドにおける少ショット学習で最先端の手法を超える性能を発揮し、計算効率も既存すべての研究より $170\times$170× 優れていることが確認されました。コードは公開されており、以下のURLからアクセスできます: https://github.com/TejasAnvekar/GPr-Net.