توفّر السحب النقطية تمثيلًا مكثفًا وكفاءً للأشكال ثلاثية الأبعاد. رغم أن الشبكات العصبية العميقة حققت نتائج ملحوظة في مهام تعلم السحب النقطية، إلا أنها تتطلب كميات ضخمة من البيانات المصنفة يدويًا، والتي يمكن أن تكون باهظة الثمن ومستهلكة للوقت جمعها. في هذا البحث، نستفيد من الإشراف الذاتي ثلاثي الأبعاد لتعلم المهام اللاحقة على السحب النقطية باستخدام عدد أقل من التسميات. يمكن دوران سحابة نقاط بطرق لا حصر لها، مما يوفر مصدرًا غنيًا وغير مصنف للإشراف الذاتي. نعتبر مهمة المساعدة المتصلة بتوقع الدورانات التي بدورها تقود إلى خصائص مفيدة للمهام الأخرى مثل تصنيف الأشكال وتوقع النقاط الرئيسية ثلاثية الأبعاد (3D keypoint prediction). باستخدام التجارب على ShapeNet وModelNet، نثبت أن أسلوبنا يتفوّق على أفضل الأساليب الحالية. بالإضافة إلى ذلك، فإن الخصائص التي تتعلمها نموذجتنا تكميلية للأساليب ذات الإشراف الذاتي الأخرى، ودمجها يؤدي إلى تحسين الأداء بشكل أكبر.