التدوين اليدوي لمجموعات البيانات الكبيرة للسحابة النقطية لأغراض متنوعة مثل تصنيف الأجسام ثلاثية الأبعاد، والتقسيم، والكشف عنها غالبًا ما يكون شاقًا بسبب البنية غير المنتظمة للسحابة النقطية. يعتبر التعلم الذاتي، الذي يعمل دون أي تسميات بشرية، طريقة واعدة لمعالجة هذه المشكلة. نلاحظ في العالم الحقيقي أن البشر قادرون على ربط المفاهيم البصرية التي تعلموها من الصور ثنائية الأبعاد لفهم العالم ثلاثي الأبعاد. مستوحىً من هذا الرؤية، نقترح CrossPoint (كروس بوينت)، وهو نهج بسيط للتعلم التضادي عبر الأوضاع المختلفة لتعلم تمثيلات قابلة للنقل من السحابة النقطية ثلاثية الأبعاد. يمكّن هذا النهج من إقامة علاقة متناظرة بين الأجسام ثلاثية وثنائية الأبعاد عن طريق زيادة الاتفاق بين السحابة النقطية والصورة ثنائية الأبعاد المرتبطة بها في الفضاء الثابت، مع تشجيع الثبات تجاه التحويلات في وضع السحابة النقطية. هدفنا التدريبي المشترك يجمع بين مطابقات الخصائص داخل وعبر الأوضاع المختلفة، مما يتيح إرسال إشارة تعلم غنية من كل من وضع السحابة النقطية ثلاثية الأبعاد والوضع الصوري ثنائي الأبعاد بطريقة ذاتية الإشراف. تظهر نتائج التجارب أن نهجنا يتفوق على الطرق السابقة للتعلم بدون إشراف في مجموعة متنوعة من المهام اللاحقة بما في ذلك تصنيف الأجسام ثلاثية الأبعاد والتقسيم. علاوة على ذلك، تؤكد دراسات الاستقصاء فعالية نهجنا في تحقيق فهم أفضل للسحابة النقطية. يمكن الوصول إلى الشفرة البرمجية والنموذج المدرب مسبقًا عبر الرابط: http://github.com/MohamedAfham/CrossPoint.