الطرق العميقة للتقسيم الشكلي ثلاثي الأبعاد تُصاغ عادةً كمشكلة تصنيف متعدد. يتم تدريب النماذج الموجودة لمجموعة ثابتة من التسميات، مما يحد بشكل كبير من مرونتها وقدرتها على التكيف. نحن نختار التحليل التفصيلي من الأعلى إلى الأسفل ونطور أول نموذج تعلم عميق للتقسيم الهرمي للأشكال ثلاثية الأبعاد، مستندًا إلى الشبكات العصبية المتكررة. بدءًا من شكل كامل مُمثل كسحابة نقاط، يقوم نموذجنا بتحليل ثنائي متكرر، حيث تشترك شبكات التحليل في جميع العقد في الهرمية بالوزنات نفسها. في كل عقدة، يتم تدريب تصنيف العقدة لتحديد نوع (التلاصق أو التناظر) ومعايير الإيقاف لتحليلها. يتم نشر الميزات المستخرجة في العقد العليا بشكل متكرر إلى العقد الدنيا. وهكذا، فإن التحليلات ذات المعنى في المستويات العليا توفر مؤشرات سياقية قوية تقيّد التقسيمات في المستويات الدنيا. وفي الوقت نفسه، لزيادة دقة التقسيم في كل عقدة، نعزز الميزة السياقية المتكررة بالميزة الشكلية المستخرجة للجزء المقابل. طريقتنا تقوم بتقسيم الشكل ثلاثي الأبعاد الموجود في سحابة النقاط إلى عدد غير ثابت من الأجزاء، اعتمادًا على تعقيد الشكل، مما يظهر قوة كبيرة ومرونة. إنها تحقق أداءً رائدًا، سواءً بالنسبة للتقسيم الدقيق أو التقسيم الدلالي، على المقاييس العامة وعلى مقاييس جديدة للتقسيم الدقيق تم اقتراحها في هذا العمل. كما نوضح أيضًا تطبيقها لتوضيح الجزء الدقيق في إعادة بناء الصورة إلى الشكل (image-to-shape reconstruction).