标题：参数量暴降，精度反升！哈工大宾大联手打造点云分析新SOTA

正文：
新架构选择用KAN做3D感知，点云分析有了新SOTA！

来自哈尔滨工业大学（深圳）和宾夕法尼亚大学的联合团队推出基于Kolmogorov-Arnold Networks（KANs）的3D感知解决方案——PointKAN，在点云数据分析任务中表现优异。

与传统MLP不同，PointKAN利用可学习函数替代固定激活函数，具备更强的几何特征学习能力。团队还提出PointKAN-elite版本，使用Efficient-KANs结构，大幅降低参数量，同时保持高精度。

为何选择KANs？MLP虽高效但难以捕捉复杂几何特征，且参数冗余大、效率低。KANs基于Kolmogorov-Arnold表示定理，通过一维B样条函数实现高维函数逼近，灵活性更高且可解释性强。

PointKAN框架包括几何仿射模块、局部特征处理模块及全局特征处理模块，通过四阶段层次化处理点云数据。为提升效率，Efficient-KANs用有理函数替代B样条函数，并分组共享参数，大幅降低计算开销。

实验显示，PointKAN及PointKAN-elite在分类、分割及小样本学习等任务中优于PointMLP，尤其在小样本学习中展现了强大的泛化能力，参数量和计算成本显著下降。

论文链接：https://arxiv.org/abs/2504.13593
代码链接：https://github.com/Shiyan-cps/PointKAN-pytorch