في الآونة الأخيرة، مع تطور تقنية المسح ثلاثي الأبعاد، ازدادت البحوث التي تستخدم السحب النقطية. وفقًا لهذا الاتجاه، يزداد الطلب على سحب نقطية ذات جودة عالية، ولكن لا يزال هناك مشكلة تتعلق بالتكلفة العالية للحصول على هذه السحب. لذلك، مع التطور الملحوظ الأخير في التعلم العميق، أصبحت بحوث زيادة كثافة السحب النقطية - والتي تعتمد على التعلم العميق لإنتاج سحب نقطية ذات جودة عالية من سحب نقطية ذات جودة منخفضة - واحدة من المجالات التي تحظى باهتمام كبير. يقدم هذا البحث طريقة جديدة لزيادة كثافة السحب النقطية تُسمى "زيادة كثافة السحب النقطية عبر التركيز على الميزات متعددة الأبعاد" (PU-MFA). مستوحاة من الدراسات السابقة التي أبلغت عن أداء جيد باستخدام الميزات متعددة الأبعاد أو آليات التركيز، تقوم PU-MFA بدمج الاثنين من خلال هيكل U-Net. بالإضافة إلى ذلك، تستعمل PU-MFA الميزات متعددة الأبعاد بشكل متكيف لتحسين الميزات العالمية بكفاءة. تم مقارنة أداء PU-MFA مع الأساليب الرائدة الأخرى من خلال عدة تجارب استخدمت فيها مجموعة بيانات PU-GAN، وهي مجموعة بيانات سحب نقطية مصنعة، ومجموعة بيانات KITTI، وهي مجموعة بيانات سحب نقطية حقيقية تم الحصول عليها بالمسح. في نتائج التجارب المختلفة، أظهرت PU-MFA أداءً فائقًا في التقييم الكمي والنوعي مقارنة بالأساليب الرائدة الأخرى، مما يثبت فعالية الطريقة المقترحة. كما تم تصوير خريطة التركيز الخاصة بـ PU-MFA لتوضيح تأثير الميزات متعددة الأبعاد.