NPNet：一种基于自适应高斯-傅里叶位置编码的非参数网络用于3D分类与分割
计算机视觉与模式识别
2026-02-03 v1 机器学习
摘要
我们提出了NPNet，这是一种用于3D点云分类和部分分割的完全非参数方法。NPNet不包含任何学习到的权重，而是通过确定性算子（如最远点采样、k近邻和池化）构建点特征。我们的关键思想是一种自适应高斯-傅里叶位置编码，其带宽和高斯-余弦混合系数由输入几何图形决定，从而使方法在不同尺度和采样密度下保持稳定。对于分割任务，我们还额外引入固定频率的傅里叶特征，以提供全局上下文。跨ModelNet40/ModelNet-R、ScanObjectNN和ShapeNetPart，NPNet在非参数基线方法中取得了强劲的性能，在ModelNet40的少样本设置中尤为有效。NPNet在内存使用和推理时间方面也优于先前的非参数方法。
引用
@article{arxiv.2602.00542,
title = {NPNet: A Non-Parametric Network with Adaptive Gaussian-Fourier Positional Encoding for 3D Classification and Segmentation},
author = {Mohammad Saeid and Amir Salarpour and Pedram MohajerAnsari and Mert D. Pesé},
journal= {arXiv preprint arXiv:2602.00542},
year = {2026}
}
备注
Accepted to the 2026 IEEE Intelligent Vehicles Symposium (IV 2026)