SLNet：面向 3D 点云识别的超轻量几何自适应网络
摘要
我们提出了 SLNet，一个用于 3D 点云识别的轻量级主干网络，旨在在不增加许多注意力、图和深层 MLP 类模型的计算成本的前提下实现卓越性能。该模型建立在两个简单思想之上：NAPE (非参数自适应点嵌入)，其结合了高斯 RBF 和余弦基，采用输入自适应带宽和混合来捕获空间结构；以及 GMU (几何调制单元)，是每个通道的仿射调制器，仅添加 2D 可学习参数。这些组件用于四级分层编码器中，包含 FPS+kNN 分组、非参数归一化和共享残差 MLP。在实验中，SLNet 显示出非常小的模型仍能在多个 3D 识别任务中保持高度竞争力。在 ModelNet40 上，SLNet-S 仅有 0.14M 参数和 0.31 GFLOPs，即可实现 93.64% 的总体准确率，超过使用 5 倍参数量的 PointMLP-elite；而 SLNet-M 仅有 0.55M 参数和 1.22 GFLOPs，即可达到 93.92%，超过 PointMLP 的 24 倍参数量。在 ScanObjectNN 上，SLNet-M 实现了 84.25% 的总体准确率，仅比 PointMLP 差 1.2 个百分点，却使用了 28 倍更少的参数。在大规模场景分割中，SLNet-T 通过引入局部 Point Transformer 注意力机制，可在仅 2.5M 参数下获得 S3DIS Area 5 区 58.2% 的 mIoU，这比 Point Transformer V3 多出 17 倍以上。我们还引入了 NetScore+，该方法在 NetScore 基础上加入延迟和峰值内存，以更贴近部署方式评估效率。 在多个基准和硬件设置下，SLNet 在准确率和效率之间提供了强大的整体平衡。代码已提供给：https://github.com/m-saeid/SLNet。
引用
@article{arxiv.2603.07454,
title = {SLNet: A Super-Lightweight Geometry-Adaptive Network for 3D Point Cloud Recognition},
author = {Mohammad Saeid and Amir Salarpour and Pedram MohajerAnsari and Mert D. Pesé},
journal= {arXiv preprint arXiv:2603.07454},
year = {2026}
}
备注
Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA 2026)