استخلاص ميزات ثلاثية الأبعاد محلية قوية وعامة يُعدّ عنصراً أساسياً في المهام اللاحقة مثل تطابق السحابات النقطية وإعادة البناء. تُعاني الطرق الحالية القائمة على التعلم من حساسية كبيرة تجاه التحولات الدورانية، أو تعتمد على ميزات يدوية تقليدية لا تتمتع بالعمومية أو التمثيل الفعّال. في هذه الورقة، نقدّم معمارية عصبية جديدة، لكنها بسيطة مفهومياً، تُسمّى SpinNet، لاستخلاص ميزات محلية تكون غير حساسة للدوران، وفي الوقت نفسه كافية التمثيل لتمكين التطابق الدقيق. أولاً، نقدّم محول النقطة المكانية (Spatial Point Transformer) لتحويل السطح المحلي المدخل إلى فضاء أسطواني مصمم بدقة، مما يتيح التحسين المتسلسل (end-to-end) باستخدام تمثيل متماثل بالنسبة لمجموعة SO(2). ثم، نستخدم مُستخرج الميزات العصبية الذي يستفيد من طبقات الشبكة العصبية التلافيفية القائمة على النقطة وطبقة التلافيف ثلاثية الأبعاد الأسطوانية القوية، بهدف استخلاص وصفة مكثفة وتمثيلية للتطابق. تُظهر التجارب الواسعة على مجموعات بيانات داخلية وخارجية أن SpinNet تتفوّق على التقنيات الحالية الرائدة بفارق كبير. والأهم من ذلك، تمتلك أفضل قدرة على التعميم في السيناريوهات غير المرئية التي تختلف فيها وسائط الاستشعار. يُمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/QingyongHu/SpinNet.