توفّر السحب النقطية تمثيلاً مرناً وطبيعيًا قابلاً للاستخدام في تطبيقات لا حصر لها مثل الروبوتات والسيارات ذاتية القيادة. وفي الآونة الأخيرة، أظهرت الشبكات العصبية العميقة التي تعمل على بيانات السحب النقطية الخام نتائج واعدة في مهام التعلم الإشرافي مثل تصنيف الأشياء والتقسيم الدلالي (semantic segmentation). بينما يمكن التقاط مجموعات بيانات ضخمة من السحب النقطية باستخدام تقنيات المسح الحديثة، فإن تسمية هذه السحب النقطية الكبيرة يدويًا لأغراض التعلم الإشرافي هي عملية معقدة ومُرهِقة. وهذا يتطلب طرقًا تستطيع التعلم من البيانات غير المُسَمَّى لتقليل عدد العينات المُشَرَّحة المطلوبة في التعلم الإشرافي بشكل كبير. نقترح مهمة تعلم ذاتي للتعلم العميق على بيانات السحب النقطية الخام، حيث يتم تدريب شبكة عصبية على إعادة بناء سحب نقطية تم إعادة ترتيب أجزائها عشوائيًا. أثناء حل هذه المهمة، يتم تعلم تمثيلات تلتقط الخصائص الدلالية للسحب النقطية. طريقتنا مستقلة عن هندسة الشبكة وتتفوق على الأساليب الحالية للتعلم غير الإشرافي في مهام تصنيف الأشياء اللاحقة. نظهر بالتجارب أن التدريب الأولي بوساطة طريقتنا قبل التدريب الإشرافي يحسّن أداء النماذج الرائدة ويحسن كفاءة العينات بشكل كبير.