يقدم هذا البحث خوارزمية قابلة للتفاضل من البداية إلى النهاية لتقدير المتجهات الطبيعية السطحية بشكل متين وحافظ على التفاصيل في السحب النقطية غير المنظمة. نستفيد من شبكات الأعصاب الرسومية لتحديد معلمات نواة تكيفية غير متماثلة بشكل تكراري، مما ينتج عنه أوزان نقاط لتناسب المستوى بأقل مربعات مرجحة في الجوار المحلي. يحتفظ هذا النهج بقابلية الفهم والكفاءة الخاصة بالطرق التقليدية المتتابعة لتناسب المستوى، مع الاستفادة من التكيف مع إحصاءات مجموعة البيانات عبر التعلم العميق. وهذا يؤدي إلى تقدير المتجهات الطبيعية السطحية الأكثر تقدماً، والذي يتميز بالمتانة تجاه الضوضاء والقيم الشاذة وتغير كثافة النقاط، ويحافظ على الميزات الحادة عبر نوى غير متماثلة وعلى الإشارة المتكافئة عبر محول فضائي يستند إلى الكواتيرنيون (quaternion) محلي. على عكس طرق التعلم العميق السابقة، لا يتطلب النهج المقترح أي خصائص مصنوعة يدويًا أو معالجة أولية. فهو يحسن النتائج الأكثر تقدمًا بينما يكون أسرع بمقدار أكثر من رتبتين عدديتين وأكثر كفاءة في المعلمات.