لمواجهة نقص النمذجة الهيكلية العالمية وضعف الحفاظ على التفاصيل الهندسية في سحابات النقاط النادرة واسعة النطاق داخل الأماكن الداخلية، والتي لا يمكن تطبيقها مباشرة على مختلف المشاهد، اقترح هذا البحث هيكل شبكة جديد يدمج تسلسل تعبئة نقاط الفضاء (SPFS) ونشر قناة الإدراك الهندسي (GCP): يقوم وحدة SPFS بترتيب النقاط المجاورة بشكل منظم من خلال تعبئة منحنيات الفضاء التكيفية، مما يحتفظ صراحةً بعلاقات الاتجاه والقرب المادي، وبالتالي يعزز قدرة النمذجة الهيكلية العالمية ويقلل من الاعتماد على الإحداثيات الصريحة؛ أما وحدة GCP فتستخدم العلاقات الهندسية بين النقاط لتوجيه التفاعل الوزني والدمج المتبقي لميزات القنوات، مما يعزز بشكل فعال قدرة التمييز للهياكل المعقدة ومناطق الحدود. تظهر النتائج التجريبية أن الطريقة تحقق أداءً ممتازًا في مؤشرات التقييم الرائدة، مع أداء متميز خصوصًا في الفئات الصعبة والأهداف صغيرة الحجم. من خلال التجارب على مجموعة بيانات ستانفورد ثلاثية الأبعاد الداخلية، تحسنت الطريقة مقارنة بـ RandLA-Net من 70.0% إلى 76.2% في mIoU، ومن 82.4% إلى 83.4% في mAcc. تقدم هذه الدراسة حلاً قابلاً للتوسع لتقسيم الدلالات الكفء عالي الدقة لسحابات النقاط واسعة النطاق، محققة دقة كلية أعلى مع الحفاظ على كفاءة الاستدلال وتكلفة الذاكرة المماثلة.

تقسيم دلالات سحابة النقاط; التسلسل الفضائي; الإدراك الهندسي; فهم المشاهد ثلاثية الأبعاد