1. 从点云无序性说起：为什么特征提取在3D语义分割里格外棘手
点云语义分割这个方向，做过的人都知道，真正难的地方从来不是网络有多深，而是数据本身太"野"了。一张RGB图像是规整的网格，每个像素都有固定的邻居，卷积核滑过去就行；但点云是一堆散落在三维空间里的坐标，没有顺序、没有网格、密度还不均匀。你把这堆点随机打乱顺序，它表达的仍然是同一个场景，可对网络来说输入完全变了。这种置换不变性（permutation invariance）是点云处理的第一道门槛。
RandLA-Net这个工作之所以在点云语义分割领域被反复提起，核心原因就是它在"大场景"这个设定下把效率和精度同时拉到了一个可用的水平。所谓大场景，指的是几十米甚至上百米范围的室外扫描，点数动辄十万到百万级。传统方法要么先做体素化，要么先做最远点采样（FPS），前者会丢细节，后者计算量随点数平方增长，百万点根本跑不动。RandLA-Net选择了一条更直接的路：随机采样降点，然后用一个专门设计的模块把丢掉的信息补回来。
这个"补回来"的模块，就是本文要拆解的核心——特征学习提取模块。它的正式名字叫 Local Feature Aggregation，简称 LFA。很多人读RandLA-Net的论文时，把注意力都放在了随机采样上，觉得"随机"两个字很反直觉，反而忽略了这个模块才是真正决定精度上限的部分。随机采样本身不产生任何特征，它只是把点变少；真正让网络在点变少之后还能理解局部几何结构的，是LFA里那套精心设计的局部特征聚合机制。
我先把结论摆在这里：LFA模块由三个子组件串联而成——局部空间编码（Local Spatial Encoding，LocSE）、注意力池化（Attentive Pooling）、扩张残差块（Dilated Residual Block）。这三个东西各司其职，LocSE负责把每个点的相对几何位置编码进特征，注意力池化负责从邻居里挑出重要的信息，扩张残差块负责在增大感受野的同时不丢原始特征。下面我会逐个拆开讲，包括它们各自解决什么问题、内部怎么算、实际写代码时哪些地方容易出错。
适合读这篇的人：正在复现RandLA-Net的、想改造LFA模块做自己任务的、或者单纯想搞明白"点云局部特征到底怎么聚合"的。我会尽量把公式背后的直觉讲清楚，而不是只贴一堆符号。
2. LocSE局部空间编码：把"邻居在哪"变成网络能读懂的信号
2.1 为什么原始坐标不能直接喂给网络
最朴素的想法是：对每个中心点，找它最近的K个邻居，把这K个邻居的坐标和特征拼起来，送进MLP。这个做法在很多早期点云网络里确实用过，但它有个致命问题——它编码的是绝对位置，而不是相对关系。
举个例子。同一个墙角，出现在场景的东边和西边，绝对坐标完全不同，但局部几何结构是一模一样的。如果网络只看绝对坐标，它就得分别学习"东边的墙角"和"西边的墙角"，泛化能力极差。更糟的是，绝对坐标的数值范围可能很大（几十米），直接送进网络会让训练非常不稳定。
所以LocSE的第一步，是把绝对坐标转成相对坐标。对中心点p_i和它的第k个邻居p_i^k，计算相对位置：
Δp_i^k = p_i ⊕ (p_i^k - p_i) ⊕ ||p_i^k - p_i||这里的⊕是拼接操作。注意它拼了三样东西：中心点自己的坐标、相对位移向量、以及相对距离的标量。为什么要拼中心点坐标？因为有些语义确实和绝对位置相关，比如"地面"通常在某
