KAN 还是 MLP？点云指引前进之路
计算机视觉与模式识别
2025-10-28 v4
摘要
多层感知器（MLPs）因其有效的特征学习机制而成为点云分析中的基本架构组件。然而，在处理点云中复杂的几何结构时，MLPs 的固定激活函数难以有效捕获局部几何特征，同时存在参数效率差和模型冗余问题。本文提出了 PointKAN，将 Kolmogorov-Arnold 网络（KANs）应用于点云分析任务，以探讨其在层次化特征表示中的效能。首先，我们引入几何仿射模块（GAM）来转换局部特征，提高模型对几何变异的鲁棒性。接着，在局部特征处理（LFP）中，采用并行结构提取组级特征和全局上下文，提供细节与整体结构的丰富表征。最后，这些特征在全局特征处理（GFP）中组合并处理。通过重复这些操作，感受野逐渐扩大，使模型能够捕获点云的完整几何信息。为克服标准 KANs 的高参数数量和计算效率问题，我们发展了 PointKAN-elite 变体中的 Efficient-KANs，显著降低参数数量而保持准确性。实验结果表明，PointKAN 在 ModelNet40、ScanObjectNN 和 ShapeNetPart 等基准数据集上超越 PointMLP，尤其在 Few-shot Learning 任务中表现尤为突出。此外，PointKAN 在参数数量和计算复杂度（FLOPs）方面实现了显著降低。这一工作凸显了基于 KANs 的架构在3D视觉中的潜力，为点云理解的研究开辟了新方向。
引用
@article{arxiv.2504.13593,
title = {KAN or MLP? Point Cloud Shows the Way Forward},
author = {Yan Shi and Qingdong He and Yijun Liu and Xiaoyu Liu and Jingyong Su},
journal= {arXiv preprint arXiv:2504.13593},
year = {2025}
}