导读：
由香港大学CVMI Lab和牛津大学合作提出了一种点云上具有动态内核组装的位置自适应卷积——PAConv: Position Adaptive Convolution with Dynamic Kernel Assembling on Point Clouds，论文已被CVPR2021接收。
PAConv的卷积核由多个基本权重矩阵组装而成，而在组装过程中，这些权重矩阵的系数是通过点的位置关系自适应学习得到的。这种以数据驱动构建卷积核的方式赋予了PAConv很强的灵活性，以更好地处理不规则和无序的点云数据。此外，与现有点云卷积高度工程化的网络结构不同，作者将PAConv直接集成到基于MLP的经典点云网络架构中，而无需更改原有的网络配置。即使建立在简单的网络架构上，PAConv仍然以很高的效率在点云分类、部件分割和场景分割的任务中表现SOTA。目前全部的代码和模型都已开源，欢迎大家follow!
论文、代码地址：在公众号「3D视觉工坊」，后台回复「PAConv」，即可直接下载。
一、引言近年来，深度学习在三维点云处理上取得了显着进步，但鉴于点云的稀疏性、不规则性和无序性，这仍然是一项具有挑战性的任务。现有方法大致分为三类：第一类是对点云进行体素化以便可以采用三维网格卷
