نقدم معمارية شبكة لمعالجة السحب النقطية تعمل مباشرة على مجموعة من النقاط الممثلة كمجموعة نادرة من العينات في شبكة ذات أبعاد عالية. تطبيق التوافقيات (convolutions) بشكل ساذج على هذه الشبكة يزداد صعوبة بشكل كبير، سواء من حيث الذاكرة أو التكلفة الحسابية، مع زيادة حجم الشبكة. بدلاً من ذلك، تعتمد شبكتنا على طبقات التوافقيات الثنائية النادرة كعناصر بنائية. تحافظ هذه الطبقات على الكفاءة من خلال استخدام هيكلات الفهرسة لتطبيق التوافقيات فقط على الأجزاء المحتلة من الشبكة، وتساعد في تحديد مواصفات مرنة للهيكل الشبكي مما يمكّن التعلم الهرمي والوعي المكاني للخصائص، بالإضافة إلى الاستدلال المشترك بين الأبعاد ثنائية وثلاثية. يمكن دمج التمثيلات القائمة على النقاط والصور بسهولة في شبكة تحتوي على مثل هذه الطبقات ويمكن تدريب النموذج الناتج بطريقة شاملة (end-to-end). نقدم نتائجًا في مهام تقسيم الصور ثلاثية الأبعاد حيث تتفوق طريقتنا على التقنيات الرائدة الحالية.