PointNeXt：突破点云处理性能极限

NeurIPS 2022 | PointNeXt 核心贡献

PointNeXt 是 NeurIPS 2022 提出的点云处理模型，通过改进经典框架 PointNet++ 实现更高性能和效率。核心创新包括轻量化模块设计、可逆下采样策略及多尺度特征融合技术。实验表明，PointNeXt 在 ModelNet40 和 S3DIS 数据集上分别达到 93.2% 和 72.1% 的准确率，参数量减少 30%。

模型架构改进

PointNeXt 采用分层特征提取结构，每层包含局部几何编码器（LGE）和可逆下采样模块（RDM）。LGE 使用动态图卷积捕获局部模式：

class LocalGeometryEncoder(nn.Module):
    def __init__(self, in_dim, out_dim):
        super().__init__()
        self.mlp = nn.Sequential(
            nn.Linear(in_dim, out_dim//2),
            nn.BatchNorm1d(out_dim//2),
            nn.ReLU(),
            nn.Linear(out_dim//2, out_dim)
        )
        self.edge_conv = EdgeConv(mlp=[out_dim*2, out_dim])
    
    def forward(self, x, pos):
        x = self.mlp(x)
        edge_feat = torch.cat([x, pos], dim=-1)
        return self.edge_conv(edge_feat)

可逆下采样通过最远点采样（FPS）与特征传播实现：

class ReversibleDownsample(nn.Module):
    def __init__(self, ratio=0.5):
        super().__init__()
        self.ratio = ratio
    
    def forward(self, x, pos):
        n_points = int(pos.shape[1] * self.ratio)
        new_pos = farthest_point_sample(pos, n_points)
        new_x = knn_interpolate(x, pos