بالرغم من وجود عدد من الدراسات حول التعلم بدون عينات (Zero-Shot Learning (ZSL)) للصور ثنائية الأبعاد، إلا أن تطبيقه على البيانات ثلاثية الأبعاد ما زال حديثًا ونادرًا، مع وجود عدد قليل من الأساليب المحدودة فقط في التصنيف. نقدّم أول نهج توليدي للتعلم بدون عينات (ZSL) والتعلم بدون عينات العام (Generalized ZSL (GZSL)) على البيانات ثلاثية الأبعاد، والذي يمكنه التعامل مع التصنيف، وبشكلٍ جديد تمامًا، مع التصنيف الدلالي (semantic segmentation). نُظهر أن نهجنا يحقق أداءً يعادل أو يتفوق على أحدث النماذج الحالية في تصنيف بيانات ModelNet40، سواء في حالات ZSL الاستنتاجية أو GZSL الاستنتاجية. وبالنسبة للتصنيف الدلالي، قمنا بإنشاء ثلاث معايير تقييم جديدة لتقييم هذه المهمة الجديدة في ZSL، باستخدام مجموعات بيانات S3DIS وScanNet وSemanticKITTI. تُظهر نتائج تجاربنا أن نهجنا يتفوق على النماذج القوية المُقترحة سابقًا لهذا المهمة.