Para abordar la insuficiencia en la modelación de estructuras globales y la pobre conservación de detalles geométricos en nubes de puntos dispersas a gran escala en interiores, que no pueden aplicarse directamente a diversos escenarios, este artículo propone una nueva estructura de red que fusiona la Secuenciación de Relleno de Puntos Espaciales (SPFS) y la Propagación de Canales con Percepción Geométrica (GCP): el módulo SPFS logra el ordenamiento ordenado de puntos vecinos mediante curvas de relleno espacial adaptativas, conservando explícitamente las relaciones direccionales y la proximidad espacial, mejorando así la capacidad de modelado estructural global y reduciendo la dependencia de coordenadas explícitas; el módulo GCP utiliza las relaciones geométricas entre puntos para guiar la interacción ponderada de características de canal y la fusión residual, fortaleciendo efectivamente la capacidad de discriminación de estructuras complejas y áreas fronterizas. Los resultados experimentales demuestran que el método obtiene un rendimiento sobresaliente en los principales indicadores de evaluación, destacando especialmente en categorías difíciles y objetivos pequeños. A través de experimentos en el conjunto de datos tridimensionales interiores de Stanford, en comparación con el método RandLA-Net, el enfoque de este estudio mejora mIoU de 70.0% a 76.2%, y mAcc de 82.4% a 83.4%. Este estudio ofrece una solución escalable para la segmentación semántica eficiente y de alta precisión de nubes de puntos a gran escala, logrando una mayor precisión general manteniendo la eficiencia de inferencia y el consumo de memoria similares.

segmentación semántica de nubes de puntos; secuenciación espacial; percepción geométrica; comprensión de escenas 3D