Para enfrentar a insuficiência na modelagem da estrutura global e a manutenção inadequada dos detalhes geométricos em nuvens de pontos esparsas de grande escala em ambientes internos, que não podem ser aplicadas diretamente a todos os cenários, este artigo propõe uma nova estrutura de rede que integra a serialização de preenchimento espacial de pontos (SPFS) e a propagação de canal consciente da geometria (GCP): o módulo SPFS realiza o ordenamento adaptativo dos pontos vizinhos por meio de uma curva de preenchimento espacial, preservando explicitamente as relações direcionais e a proximidade espacial, melhorando a capacidade de modelagem da estrutura global e reduzindo a dependência de coordenadas explícitas; o módulo GCP utiliza as relações geométricas entre os pontos para guiar a interação ponderada das características do canal e a fusão residual, fortalecendo efetivamente a capacidade de discriminação para estruturas complexas e áreas de fronteira. Os resultados experimentais mostram que o método alcança desempenho excelente em métricas principais de avaliação, destacando-se especialmente em categorias difíceis e pequenos alvos. Através de experimentos realizados no conjunto de dados 3D interno de Stanford, a métrica <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> aumentou de 70,0% para 76,2%, e a métrica <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> aumentou de 82,4% para 83,4%. Este estudo oferece uma solução escalável para segmentação semântica eficiente e precisa de nuvens de pontos em grande escala, alcançando maior precisão geral, mantendo eficiência de inferência e custo de memória comparáveis.

segmentação semântica de nuvens de pontos; serialização espacial; percepção geométrica; entendimento de cenas 3D