النماذج الحديثة للتعلم العميق تحقق نتائج مثيرة للإعجاب في مهام تحليل المشاهد ثلاثية الأبعاد من خلال العمل مباشرة على السحب النقطية غير المنظمة. تم إحراز الكثير من التقدم في مجال تصنيف الكائنات والتقسيم الدلالي (semantic segmentation). ومع ذلك، فإن مهمة التقسيم العيني (instance segmentation) لم يتم استكشافها بشكل كبير. في هذا البحث، نقدم 3D-BEVIS، وهو إطار للتعلم العميق يقوم بـ التقسيم العيني الدلالي ثلاثي الأبعاد للسحب النقطية. وفقًا لفكرة الطرق السابقة التي لا تتطلب اقتراحات (proposal-free)، يتعلم نموذجنا غرز الميزات (feature embedding) ويقوم بتجميع الفضاء المميز الناتج إلى عينات دلالية. تتناسب الأساليب الحالية القائمة على النقاط بشكل خطي مع عدد النقاط من خلال معالجة أجزاء محلية من المشهد بشكل فردي. ومع ذلك، لتحقيق التقسيم العيني عن طريق التجميع (clustering)، يتطلب الأمر ميزات متسقة عالميًا. لذلك، نقترح الجمع بين الهندسة المحلية للنقاط والمعلومات السياقية العالمية من تمثيل منظر عين الطائر الوسيط (intermediate bird's-eye view representation).