لمواجهة مشكلة عدم كفاية نمذجة الهيكل العالمي وضعف الحفاظ على التفاصيل الهندسية في سحابة نقطية متناثرة كبيرة الحجم داخل الأماكن المغلقة، والتي لا يمكن تطبيقها مباشرة على جميع السيناريوهات، يقترح هذا البحث بنية شبكية جديدة تدمج بين تسلسل ملء النقاط الفضائية (SPFS) ونشر القناة الواعية بالهندسة (GCP): يقوم مودول SPFS بترتيب النقاط المجاورة بشكل منظم من خلال منحنى ملء فضائي تكيفي، مما يحافظ صراحةً على العلاقات الاتجاهية والقرب المكاني، وبالتالي يعزز قدرة نمذجة الهيكل العالمي ويقلل الاعتماد على الإحداثيات الصريحة؛ بينما يستخدم مودول GCP العلاقات الهندسية بين النقاط لتوجيه التفاعل الموزون لميزات القناة والاندماج الباقي، مما يعزز بشكل فعال قدرة التمييز للهياكل المعقدة ومناطق الحواف. أظهرت النتائج التجريبية أن هذه الطريقة حققت أداءً ممتازًا في مؤشرات التقييم الرئيسية، وخاصة في الفئات عالية الصعوبة والأهداف صغيرة الحجم. من خلال إجراء تجارب على مجموعة بيانات ستانفورد ثلاثية الأبعاد الداخلية، ارتفع <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><msub><mrow><mi>m</mi></mrow><mrow><mi mathvariant="normal">I</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">U</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M001.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M001c.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic></alternatives></inline-formula> من 70.0٪ إلى 76.2٪، و<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><msub><mrow><mi>m</mi></mrow><mrow><mi mathvariant="normal">A</mi><mi mathvariant="normal">c</mi><mi mathvariant="normal">c</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M002.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M002c.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic></alternatives></inline-formula> من 82.4٪ إلى 83.4٪. يوفر هذا البحث حلاً قابلاً للتوسع لتقسيم الدلالة بكفاءة ودقة عالية لسحابة النقاط الكبيرة الحجم، مع تحقيق دقة كلية أعلى مع الحفاظ على كفاءة الاستدلال وتكاليف الذاكرة المماثلة.

تقسيم دلالة سحابة النقاط; التسلسل الفضائي; الوعي الهندسي; فهم المشاهد ثلاثية الأبعاد