[논문 리뷰] NPNet: A Non-Parametric Network with Adaptive Gaussian-Fourier Positional Encoding for 3D Classification and Segmentation

Mohammad Saeid, Amir Salarpour외 2명|arXiv (Cornell University)|2026. 01. 31.

3D Shape Modeling and Analysis인용 수 0

한 줄 요약

NPNet은 학습된 가중치가 필요 없는 완전 비매개적 프레임워크로, 적응 Gaussian–Fourier 위치 인코딩과 기억 은행 추론을 사용하여 3D 포인트 클라우드 분류 및 분할을 수행하며, 높은 효율성과 강력한 few-shot 성능으로 경쟁력 있는 결과를 달성한다.

ABSTRACT

We present NPNet, a fully non-parametric approach for 3D point-cloud classification and part segmentation. NPNet contains no learned weights; instead, it builds point features using deterministic operators such as farthest point sampling, k-nearest neighbors, and pooling. Our key idea is an adaptive Gaussian-Fourier positional encoding whose bandwidth and Gaussian-cosine mixing are chosen from the input geometry, helping the method remain stable across different scales and sampling densities. For segmentation, we additionally incorporate fixed-frequency Fourier features to provide global context alongside the adaptive encoding. Across ModelNet40/ModelNet-R, ScanObjectNN, and ShapeNetPart, NPNet achieves strong performance among non-parametric baselines, and it is particularly effective in few-shot settings on ModelNet40. NPNet also offers favorable memory use and inference time compared to prior non-parametric methods

연구 동기 및 목표

• 3D 포인트 클라우드 분류 및 분할을 위한 학습 없는 비매개적 아키텍처를 개발한다.
• 입력 기하에 적응하는 적응형 Gaussian–Fourier 위치 인코딩을 도입한다.
• 세분화를 글로벌 컨텍스트를 제공하기 위해 고정 주파수 Fourier 특징으로 보강한다.
• 비매개적 기준선과의 경쟁력 있는 정확도 및 효율성을 입증하고 매개변수화 모델과의 경쟁력을 확보한다.
• 학습 없는 파이프라인의 few-shot 성능 및 배치 적용에 대한 시사점을 평가한다.

제안 방법

• 학습 가중치 없이 다중 스케일 포인트 특징을 구성하기 위해 결정론적 기하학 연산자(Farthest Point Sampling, k-NN grouping, pooling)를 사용한다.
• 입력 통계(sigma_g)에서 대역폭과 Gaussian–cosine 혼합을 선택하고 혼합 매개 변수 lambda를 사용하는 적응 Gaussian–Fourier 인코딩을 제안한다.
• 세분화를 위해 글로벌 컨텍스트를 형성하도록 고정 주파수 Fourier 특징을 추가하는 하이브리드 위치 인코딩을 사용한다.
• 훈련 형상을 기억 은 storage에 인코딩하고 유사도 기반 추론으로 분류를 수행한다; 세분화의 경우 부품 프로토타입과 최근접 프로토타입 매칭을 사용한다.
• 추론은 기억 은행 기반이며 학습 없이: 은행을 한 번 구축하고 최근접 프로토타입 스타일 매치를 통해 질의한다.

Figure 2 : Adaptive Gaussian–Fourier positional encoding. The encoding adapts bandwidth $\sigma$ and mixing coefficient $\lambda$ from input geometry; an additional fixed-frequency Fourier branch provides global context for segmentation.

실험 결과

연구 질문

• RQ1 표준 3D 포인트 클라우드 벤치마크에서 완전 비매개적 파이프라인이 매개변수화 방법과 동등하거나 초과할 수 있는가?
• RQ2 입력 적응형 Gaussian–Fourier 위치 인코딩이 다양한 밀도와 스케일에서 안정성 및 전이를 개선하는가?
• RQ3 고정 주파수 Fourier 특징이 세분화 성능과 글로벌 컨텍스트에 미치는 영향은 무엇인가?
• RQ4 NPNet이 prior non-parametric 방법 및 매개변수 네트워크와 비교했을 때 메모리, 시간, 계산상의 트레이드오프는 무엇이며 특히 few-shot 설정에서 어떤가?

주요 결과

• ModelNet40에서 NPNet은 0.0M 개의 매개변수와 0.0 GFLOPs로 85.45% 정확도를 달성한다.
• ModelNet-R에서 NPNet은 0.0M 매개변수와 0.0 GFLOPs로 85.65% 정확도를 달성한다.
• ScanObjectNN에서 NPNet은 86.1% OBJ-BG, 86.1% OBJ-ONLY, 84.9% PB-T50-RS를 달성하며 (OBJ-BG 및 OBJ-ONLY에서 비매개적 기준선 선두),
• ShapeNetPart에서 NPNet은 하이브리드 인코딩으로 73.56% 인스턴스 mIoU를 달성한다.
• few-shot ModelNet40에서 NPNet은 92.0% (5-way 10-shot) 및 93.2% (5-way 20-shot); 82.5% (10-way 10-shot) 및 87.6% (10-way 20-shot)이다.
• 효율성 수치는 ModelNet40에서 NPNet이 0.0021 GFLOPs, 99.1 MB 메모리, 3.86 ms/sample; ShapeNetPart에서 0.0045 GFLOPs, 256.4 MB, 5.63 ms/sample을 보인다.

Figure 3 : Stage block used in NPNet. FPS selects centroids, $k$ -NN groups local neighborhoods, positional encoding modulates features, and mean/max pooling produces a stage descriptor; concatenating stages forms a multi-scale representation.