السحابة النقطية هي نوع مهم من التمثيل ثلاثي الأبعاد. ومع ذلك، فإن تطبيق التفافات مباشرة على السحب النقطية يمثل تحديًا بسبب بنية البيانات النادرة وغير المنتظمة وغير المرتبة. في هذا البحث، نقترح عملية تفاف مُدَرِّجَة جديدة، InterpConv، لمعالجة مشكلة تعلم وفهم خصائص السحابة النقطية. الفكرة الأساسية هي استخدام مجموعة من أوزان النواة المتقطعة وإدراج خصائص النقاط إلى إحداثيات أوزان النواة المجاورة باستخدام دالة الإدراج للتفاف. تم تقديم حد تطبيع لمعالجة الجوار بمستويات ندرة مختلفة. أظهرت عملية InterpConv أنها ثابتة بالنسبة للتغييرات في الترتيب والندرة ويمكنها التعامل مباشرة مع المدخلات غير المنتظمة. صممنا أيضًا شبكات عصبية تلافيفية مُدَرِّجَة (InterpCNNs) تعتمد على طبقات InterpConv لمعالجة مهام التعرف على السحب النقطية مثل تصنيف الأشكال، وتقسيم أجزاء الكائنات، وتفسير المعنى للمشاهد الداخلية. أظهرت التجارب أن الشبكات قادرة على التقاط الهياكل المحلية الدقيقة والمعلومات السياقية للأشكال العالمية بشكل فعال. حققت الطريقة المقترحة أفضل الأداء في مقاييس الأداء العامة بما في ذلك ModelNet40 وShapeNet Parts وS3DIS.