نقدم تصميمًا جديدًا للتحويل النقطي يُعرف بـ "Kernel Point Convolution" (KPConv)، وهو يعمل على السحب النقطية دون الحاجة إلى أي تمثيل متوسط. يتم تحديد أوزان التحويل في KPConv في الفضاء الإقليدي بواسطة نقاط النواة، ويتم تطبيقها على النقاط الدخيلة القريبة منها. القدرة على استخدام أي عدد من نقاط النواة تعطي KPConv مرونة أكبر من التحويلات الشبكية الثابتة. بالإضافة إلى ذلك، تكون هذه المواقع مستمرة في الفضاء ويمكن أن تتعلمها الشبكة. لذلك، يمكن توسيع KPConv إلى تحويلات قابلة للتشوه تتعلم كيفية تكييف نقاط النواة مع الهندسة المحلية. بفضل استراتيجية التقليل المنتظم، فإن KPConv فعال أيضًا ومتين أمام الكثافات المتغيرة. سواء استخدمت شبكاتنا KPConv القابل للتشوه للأعمال المعقدة، أو KPconv الجامد للأعمال البسيطة، فإن شبكاتنا تتفوق على أفضل نهج التصنيف والتقسيم الحالية في عدة مجموعات بيانات. كما نقدم دراسات تقليصية وتصورات لفهم ما تم تعلمه بواسطة KPConv ولتأكيد قوة الوصف للتحويلات القابلة للتشوه في KPConv.