Pour répondre au manque de modélisation structurelle globale et à la mauvaise conservation des détails géométriques dans les grands nuages de points clairsemés en intérieur, qui ne peuvent pas être directement appliqués à divers scénarios, cet article propose une nouvelle architecture réseau intégrant la Sérialisation de Remplissage de Points Spatiaux (SPFS) et la Propagation de Canaux à Perception Géométrique (GCP) : le module SPFS réalise un ordonnancement des points du voisinage via des courbes d’adaptation spatiale, conservant explicitement les relations directionnelles et la proximité spatiale, améliorant ainsi la modélisation globale tout en réduisant la dépendance aux coordonnées explicites ; le module GCP exploite les relations géométriques entre points pour guider les interactions pondérées entre caractéristiques de canaux et la fusion résiduelle, renforçant efficacement la capacité à discriminer les structures complexes et les zones de frontière. Les résultats expérimentaux montrent que la méthode atteint d’excellentes performances sur les indicateurs d’évaluation principaux, avec des résultats particulièrement remarquables sur les catégories complexes et les petites cibles. Sur le jeu de données tridimensionnel intérieur de Stanford, comparé à la méthode RandLA-Net, notre approche améliore mIoU de 70,0 % à 76,2 %, et mAcc de 82,4 % à 83,4 %. Cette étude propose une solution évolutive pour une segmentation sémantique efficace et précise des grands nuages de points, assurant une meilleure précision globale tout en maintenant une efficacité de calcul et une consommation mémoire comparables.

segmentation sémantique des nuages de points; sérialisation spatiale; perception géométrique; compréhension de scènes 3D