Para abordar la insuficiente modelización de la estructura global y la pobre conservación de los detalles geométricos en nubes de puntos dispersas a gran escala en interiores, que no se pueden aplicar directamente a todos los escenarios, este artículo propone una nueva estructura de red que fusiona la secuenciación de relleno espacial de puntos (SPFS) y la propagación de canal consciente de la geometría (GCP): el módulo SPFS logra un orden adaptativo de los puntos vecinos mediante una curva de relleno espacial, preservando explícitamente las relaciones direccionales y la proximidad espacial, mejorando así la capacidad de modelado de la estructura global y reduciendo la dependencia de coordenadas explícitas; el módulo GCP utiliza las relaciones geométricas entre puntos para guiar la interacción ponderada de las características del canal y la fusión residual, fortaleciendo de manera efectiva la capacidad de discriminación para estructuras complejas y áreas fronterizas. Los resultados experimentales demuestran que este método alcanza un excelente rendimiento en las métricas principales de evaluación, destacando especialmente en categorías difíciles y objetivos pequeños. A través de experimentos realizados en el conjunto de datos tridimensional interior de Stanford, el <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> aumentó del 70.0% al 76.2%, y el <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> aumentó del 82.4% al 83.4%. Este estudio proporciona una solución escalable para la segmentación semántica eficiente y precisa de nubes de puntos a gran escala, logrando una mayor precisión general mientras mantiene una eficiencia de inferencia y un consumo de memoria comparables.

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