نقترح إطارًا جديدًا للتعلم الإشرافي لتقسيم النقط الزائدة في السحابات ثلاثية الأبعاد إلى نقاط فائقة. نتعامل مع هذه المشكلة من خلال تعلم تمثيلات عميقة للهندسة والقياس الشعاعي المحلي لنقاط ثلاثية الأبعاد، بحيث تظهر الحدود بين الأجسام بتفاوتات عالية. يتم حساب التمثيلات باستخدام شبكة عصبية خفيفة تعمل على جوار النقاط المحلي. أخيرًا، نصيغ تقسيم السحابة النقطية كمشكلة تقسيم الرسم البياني وفقًا للتمثيلات المُتعلمة.يسمح هذا النهج الجديد لنا بتحقيق أفضل مستوى معايير جديد في تقسيم السحابة النقطية بمعدل كبير، على مجموعة بيانات داخلية كثيفة (S3DIS) وعلى مجموعة بيانات خارجية نادرة (vKITTI). تتطلب أفضل حلولنا أكثر من خمس مرات أقل نقاط فائقة لتحقيق أداء مشابه للمethods المنشورة سابقًا على S3DIS. بالإضافة إلى ذلك، نوضح أن بإمكان إطارنا تحسين خوارزميات التقسيم الدلالي القائمة على النقاط الفائقة، مما يضع مستوى معايير جديد لهذا المهمة أيضًا.