تم التحقيق بشكل مكثف في تقسيم الدلالة للسحابة النقطية من وجهات نظر مشتقة، مثل وجهة النظر المدى (RV) ووجهة النظر العلوية (BEV). تلتقط وجهات النظر المختلفة معلومات مختلفة عن السحابة النقطية وبالتالي فهي مكملة لبعضها البعض. ومع ذلك، فإن الأساليب القائمة على الإسقاط الحديثة لتقسيم الدلالة للسحابة النقطية غالبًا ما تستفيد من استراتيجية الاندماج المتأخر البسيطة للتنبؤات المتعلقة بالوجهات المختلفة، مما يفشل في استكشاف المعلومات المكملة من منظور هندسي أثناء تعلم التمثيل. في هذا البحث، نقدم شبكة جريان هندسي (GFNet) لاكتشاف التوافق الهندسي بين الوجهات المختلفة بطريقة تسبق الاندماج. وبشكل خاص، قمنا بتصميم وحدة جريان هندسي جديدة (GFM) لتوفير التوافق والانتشار المتبادل للمعلومات المكملة عبر الوجهات المختلفة وفقًا للعلاقات الهندسية ضمن نظام التعلم من النهاية إلى النهاية. أجرينا تجارب شاملة على مجموعة بيانات مرجعية شائعة الاستخدام هي SemanticKITTI وnuScenes لإظهار فعالية شبكتنا GFNet في تقسيم الدلالة للسحابة النقطية القائم على الإسقاط. وبشكل ملموس، لا تقتصر فوائد GFNet على تعزيز الأداء بشكل كبير لكل وجهة نظر على حدة فحسب، بل تحقق أيضًا أفضل النتائج الحالية مقارنة بكافة النماذج القائمة على الإسقاط الموجودة حتى الآن. يمكن الحصول على الكود من الرابط \url{https://github.com/haibo-qiu/GFNet}.