إعادة بناء الأشياء من السحابات النقطية ثلاثية الأبعاد كانت مشكلة بحثية قائمة منذ فترة طويلة في مجال رؤية الحاسوب ورسومات الحاسوب، وقد حققت تقدماً ملحوظاً. ومع ذلك، فإن إعادة البناء من السحابات النقطية المتغيرة مع الزمن (وهي المعروفة أيضاً بالسحابات النقطية رباعية الأبعاد) غالباً ما يتم تجاهلها. في هذا البحث، نقترح هندسة شبكة جديدة تُسمى RFNet-4D++، التي تقوم بإعادة بناء الأشياء وتدفقات حركتها بشكل متزامن من السحابات النقطية رباعية الأبعاد. الفكرة الرئيسية هي أن أداء كلا المهمتين بشكل متزامن عبر تعلم الخصائص المكانية والزمنية من سلسلة من السحابات النقطية يمكن أن يعزز كل مهمة على حدة، مما يؤدي إلى تحسين الأداء الكلي. لاثبات هذه القدرة، صممنا وحدة تعلم المجال المتجه الزمني باستخدام نهج التعلم غير المنظور للتقدير الزمني، مستفيدين من التعلم المنظور للبنى المكانية لإعادة بناء الأشياء. تم التحقق من فعالية وكفاءة طريقتنا من خلال التجارب والتحليلات الواسعة على مجموعات بيانات مرجعية. كما تظهر نتائج التجارب أن طريقتنا تحقق أفضل الأداء في كل من تقدير التدفق وإعادة بناء الأشياء بينما تعمل بكفاءة أعلى بكثير من الأساليب الموجودة في مرحلتي التدريب والاستدلال. شفرتنا البرمجية ومعلوماتنا متاحة على الرابط: https://github.com/hkust-vgd/RFNet-4D