لقد حققت أساليب التكييف النطاقي (DA) تحسينات كبيرة في مجموعة واسعة من مهام التعلم الآلي ورؤية الحاسوب (مثل التصنيف، الكشف، والتقسيم). ومع ذلك، وبقدر معرفتنا، لا تزال هناك عدد قليل من الطرق التي تمكّن من تطبيق التكييف النطاقي مباشرة على بيانات السحابة النقطية ثلاثية الأبعاد (3D point cloud). تكمن التحدي الفريد لبيانات السحابة النقطية في غناها بالمعلومات الهندسية المكانية، حيث تُسهم البنية الهندسية الإقليمية في تشكيل الدلالة الشاملة للجسم. وبشكل خاص، فإن معظم الطرق العامة لتكييف النطاقات التي تعاني من صعوبة في محاذاة السمات العالمية وتجاهل المعلومات الهندسية المحلية، ليست مناسبة لتكييف النطاقات ثلاثية الأبعاد. في هذه الورقة، نقترح شبكة جديدة لتكييف النطاقات ثلاثية الأبعاد للسحابة النقطية تُسمى (PointDAN). تُجري PointDAN محاذاة متزامنة للسمات العالمية والمكانية على مستويات متعددة. وبالنسبة إلى المحاذاة المكانية، نُقدّم وحدة عقدة ذاتية التكيف (SA) ذات مجال استقبال مُعدّل لتمثيل الهياكل المكانية التمييزية والمساهمة في محاذاة النطاقات. وبالإضافة إلى ذلك، تُستخدم وحدة الانتباه على العقد (node-attention) لتمثيل السمات ذات المقياس الهرمي، من خلال ترجيح العلاقات بين عقد SA عبر الكائنات والنطاقات المختلفة. أما بالنسبة إلى المحاذاة العالمية، فيتم استخدام استراتيجية تدريب معاكس (adversarial-training) لتعلم ومحاذاة السمات العالمية عبر النطاقات. وبما أن هناك نقصًا في معايير تقييم قياسية موحدة لسيناريوهات تكييف النطاقات ثلاثية الأبعاد، فقد قمنا ببناء معيار تقييم عام (يُعرف بـ PointDA-10) مستخلص من ثلاث مجموعات بيانات شهيرة للكائنات/المشاهد ثلاثية الأبعاد (ModelNet، ShapeNet، وScanNet) لتمكين تقييم تصنيف الكائنات ثلاثية الأبعاد عبر النطاقات المختلفة. تُظهر التجارب الواسعة على PointDA-10 تفوق نموذجنا على الطرق الحديثة المتطورة لتكييف النطاقات العامة.