لإعادة التوطين في السحابات النقطية الكبيرة، نقترح أول منهج يوحّد التعرف على المكان العالمي وتحسين وضع الجسم المحلي بست درجات من الحرية (6DoF). لهذا الغرض، صممنا شبكة سيامية (Siamese) تتعلم بشكل مشترك اكتشاف الميزات المحلية ثلاثية الأبعاد ووصفها مباشرة من النقاط الثلاثية الأبعاد الخام. تدمج هذه الشبكة تقنيتي FlexConv و Squeeze-and-Excitation (SE) لضمان أن الوصف المحلي المتعلم يلتقط معلومات هندسية متعددة المستويات والعلاقات بين القنوات. بالنسبة لاكتشاف النقاط الرئيسية ثلاثية الأبعاد، نتنبأ بالتمييز بين الوصفيات المحلية بطريقة غير مراقبة. نولد الوصف العالمي مباشرة عبر جمع الوصفيات المحلية المتعلمة باستخدام آلية انتباه فعالة. بهذه الطريقة، يتم استنتاج الوصفيات المحلية والعالمية ثلاثية الأبعاد في عملية تقدم واحدة فقط. أظهرت التجارب على مجموعة متنوعة من المقاييس أن طريقتنا تحقق نتائج تنافسية لكل من استرجاع السحابة النقطية العالمية وتسجيل السحابة النقطية المحلية مقارنة بأحدث الأساليب. لتأكيد قابلية التعميم والمتانة لنقاطنا الرئيسية ثلاثية الأبعاد، أظهرنا أيضًا أن طريقتنا تعمل بشكل جيد دون ضبط دقيق على تسجيل السحابات النقطية التي تم إنشاؤها بواسطة نظام SLAM البصري. يمكن الوصول إلى الرمز والمادة المتعلقة به على الرابط التالي: https://vision.in.tum.de/research/vslam/dh3d.