على عكس الصور التي يتم تمثيلها في شبكات كثيفة منتظمة، فإن السحب النقطية ثلاثية الأبعاد غير منتظمة وغير مرتبة، مما يجعل تطبيق التحويل عليها صعبًا. في هذا البحث، نوسع نطاق المرشح الديناميكي لعملية تحويل جديدة تُسمى PointConv (تحويل النقاط). يمكن تطبيق PointConv على السحب النقطية لبناء شبكات تحويل عميقة. نعتبر مصفوفات التحويل كدوال غير خطية للإحداثيات المحلية لنقاط ثلاثية الأبعاد تتكون من دوال وزن ودوال كثافة. بالنسبة لنقطة معينة، يتم تعلم دوال الوزن باستخدام شبكات المعرفة متعددة الطبقات (Multi-Layer Perceptron Networks)، بينما يتم حساب دوال الكثافة من خلال تقدير الكثافة بالمرشح (Kernel Density Estimation). أهم مساهمة لهذا العمل هي إعادة صياغة جديدة اقترحتها لتحقيق حساب فعال لدوال الوزن، مما سمح لنا بتوسيع نطاق الشبكة بشكل كبير وتحسين أدائها بشكل ملحوظ. يمكن استخدام مصفوفة التحويل المُتعلمة لحساب التحويل الثابت للمترجم والتحويل الثابت للتسلسل على أي مجموعة نقاط في الفضاء ثلاثي الأبعاد. بالإضافة إلى ذلك، يمكن استخدام PointConv أيضًا كمشغلي التحويل العكسي لنشر الخصائص من سحب نقطية مشتقة إلى دقتها الأصلية. أظهرت التجارب على ModelNet40 وShapeNet وScanNet أن شبكات العصبونات العميقة المبنية على PointConv قادرة على تحقيق أفضل النتائج في مقاييس التقسيم الدلالي الصعبة للسحب النقطية ثلاثية الأبعاد. بالإضافة إلى ذلك، أظهرت تجاربنا حول تحويل CIFAR-10 إلى سحابة نقاط أن الشبكات المبنية على PointConv يمكن أن تتطابق مع أداء شبكات التحويل في الصور ثنائية الأبعاد ذات الهيكل المماثل.