كشف الكائنات ثلاثية الأبعاد في السحابات النقطية هو مهمة بصرية صعبة تُسهم في تطبيقات متعددة لفهم العالم البصري ثلاثي الأبعاد. يركّز الكثير من الأبحاث الحديثة على كيفية استغلال آلية التصويت الهوشفية القابلة للتدريب النهائياً (end-to-end trainable Hough voting) لتكوين اقتراحات حول الكائنات. ومع ذلك، فإن الاستراتيجية الحالية للتصويت تستلم فقط أصواتًا جزئية من أسطح الكائنات المحتملة، بالإضافة إلى أصوات مشوهة (أوتلايرز) كثيرة الناتجة عن الخلفيات المزدحمة، مما يعيق الاستفادة الكاملة من المعلومات الواردة من السحابات النقطية المدخلة. مستوحى من استراتيجية التتبع العكسي (back-tracing) المستخدمة في الطرق التقليدية لتصويت هوشف، نقدم في هذا العمل طريقة جديدة لكشف الكائنات ثلاثية الأبعاد تُسمى شبكة النقاط الممثلة بالاستدلال العكسي (Back-tracing Representative Points Network - BRNet)، والتي تقوم بتمثيل النقاط الممثلة بشكل توليدي من مراكز التصويت، كما تعيد استعراض نقاط البذور المكملة المحيطة بهذه النقاط المولدة، بهدف استخلاص خصائص بنائية محلية دقيقة تحيط بالكائنات المحتملة من السحابات النقطية الأصلية. وبالتالي، تُعزز الاستراتيجية الهابطة-ثم-الصاعدة (bottom-up and then top-down) في BRNet التوافق المتبادل بين مراكز التصويت المتنبأة والنقاط السطحية الأصلية، مما يؤدي إلى نتائج أكثر موثوقية ومرونة في تحديد موقع الكائنات وتصنيفها. تُعد BRNet بسيطة لكنها فعّالة، حيث تتفوّق بشكل كبير على أحدث الطرق في مجموعتي بيانات سحابات نقطية كبيرة، هما ScanNet V2 (+7.5% من حيث [email protected]) وSUN RGB-D (+4.7% من حيث [email protected])، مع الحفاظ على خفة الحجم وفعالية الأداء. سيتم إتاحة الشفرة المصدرية على الرابط: https://github.com/cheng052/BRNet.