بيانات السحابة النقطية من أجهزة استشعار ليدار ثلاثية الأبعاد هي واحدة من أهم وسائل الاستشعار المتعددة الأغراض في التطبيقات الحاسمة للسلامة مثل المركبات ذاتية القيادة. نظرًا لأن عملية تسمية بيانات السحابة النقطية هي عملية مكلفة ومستهلكة للوقت، فقد بدأ استخدام البيئات المحاكاة وأجهزة استشعار ليدار ثلاثية الأبعاد لهذا الغرض يكتسب شعبية مؤخرًا. بفضل أجهزة الاستشعار والبيئات المحاكاة، أصبح الحصول على بيانات سحابة نقطية مصطنعة مشمولة بالتسميات أسهل بكثير. ومع ذلك، لا تزال البيانات المصطنعة لسحابة النقاط تفتقد إلى العيوب التي تكون موجودة عادةً في بيانات السحابة النقطية من أجهزة ليدار ثلاثية الأبعاد الحقيقية. نتيجة لذلك، تنخفض أداء النماذج المدربة على هذه البيانات عند اختبارها على بيانات سحابة النقاط الحقيقية بسبب التغير بين المجالين المحاكى والحقيقي. وبالتالي، في هذا العمل، نقترح إطار عمل للتكيف بين المجالين لتقريب الفجوة بين البيانات المصطنعة والحقيقة لسحابة النقاط. يعتمد الإطار المقترح على هندسة الشبكات العصبية التوليدية المعادية الدورية العميقة (CycleGAN). قمنا بتقييم أداء الإطار المقترح في مهمة كشف المركبات من صور السحابة النقطية من منظور الطائر (BEV) القادمة من أجهزة ليدار ثلاثية الأبعاد حقيقية. أظهر الإطار نتائج تنافسية مع تحسن بنسبة أكثر من 7% في درجة الدقة المتوسطة مقارنة بالطرق الأساسية الأخرى عند اختباره على صور السحابة النقطية BEV الحقيقية.