الشبكات العميقة الحديثة التي تتعامل مباشرة مع النقاط في مجموعة نقاط، مثل PointNet، أصبحت الأفضل في المهام المُدرَّبة بذاتية على السحابات النقطية، مثل التصنيف والتقسيم. في هذا العمل، تم اقتراح نموذج جديد للنمذجة التلقائية العميقة (auto-encoder) من الطرف إلى الطرف لمعالجة التحديات المتعلّقة بالتعلم غير المُشرَّف على السحابات النقطية. من ناحية المُشفّر (encoder)، تم تطبيق تحسين مبني على الرسوم البيانية (graph-based enhancement) لتعزيز البنية المحلية فوق هيكل PointNet. ثم، تم اقتراح مُفكّك (decoder) جديد يعتمد على تقنية الطي (folding)، حيث يتم تحويل شبكة ثنائية الأبعاد قياسية إلى سطح الكائن ثلاثي الأبعاد الكامن خلف مجموعة النقاط، مما يحقق أخطاء ترميم منخفضة حتى بالنسبة للكائنات ذات الهياكل الدقيقة. يُستخدم هذا المُفكّك المقترح ما يقارب 7% فقط من عدد المعاملات (parameters) مقارنةً بمُفكّك يعتمد على شبكات عصبية متصلة بالكامل (fully-connected neural networks)، مع تحقيق تمثيل أكثر تمييزًا، ودقة أعلى في التصنيف باستخدام خوارزمية SVM الخطية مقارنةً بالنموذج المعياري (benchmark). بالإضافة إلى ذلك، أُثبت نظريًا أن بنية المُفكّك المقترحة تمثل هيكلًا عامًا قادرًا على إعادة بناء أي سحابة نقطية من شبكة ثنائية الأبعاد. يمكن الوصول إلى الكود الخاص بالعمل من خلال الرابط التالي: http://www.merl.com/research/license#FoldingNet