点群の非構造的な性質は、局所集約が異なる局所構造に適応することを必要とします。従来の手法では、この要件を満たすために各集約プロセスで空間関係を明示的に埋め込む方法が採用されてきました。この結合アプローチは明瞭な意味論の生成において効果的であることが示されていますが、反復的な関係学習や方向性と点特徴を混ぜるための冗長な計算により、集約が大幅に遅くなる可能性があります。本研究では、空間関係の明示的なモデリングと局所集約を分離することを提案します。理論的に証明されたように、基本的な近傍プーリング操作でも、点特徴に重要な空間情報が符号化されている限り、特徴融合における明瞭性を失うことなく機能することが確認されています。分離型局所集約の一例として、軽量な点ネットワークであるDeLA（Decoupled Local Aggregation）を提示します。DeLAでは、各学習段階でまず相対的な空間エンコーディングが形成され、その後局所集約にはポイントワイズ畳み込みとエッジ最大プーリングのみを使用します。さらに、相対座標の予測を通じて潜在的な曖昧性を低減する正則化項も導入しています。概念的には単純ですが、5つの古典的なベンチマークでの実験結果は、DeLAが遅延時間を削減または同等に保ちながら最先端の性能を達成していることを示しています。具体的には、ScanObjectNNでは全体精度90%以上、S3DIS Area 5ではmIoU 74%以上の性能を達成しています。当該コードは https://github.com/Matrix-ASC/DeLA で公開されています。