السحابات النقطية ثلاثية الأبعاد هي عينات متقطعة من الأسطح المستمرة والتي يمكن استخدامها في تطبيقات متنوعة. ومع ذلك، فإن نقص المعلومات الحقيقية عن الاتصال، أي معلومات الحواف، يجعل التعرف على السحابة النقطية تحديًا. طرحت الأساليب الحديثة التي تدرك الحواف نماذج للحواف في تصاميم الشبكات لوصف الهياكل المحلية بشكل أفضل. رغم أن هذه الأساليب أظهرت أن دمج معلومات الحواف يكون مفيدًا، إلا أن كيفية مساهمة معلومات الحواف لا تزال غير واضحة، مما يجعل من الصعب على المستخدمين تحليل فائدتها. لتسليط الضوء على هذه المسألة، نقترح في هذا البحث خوارزمية جديدة تُسمى وحدة الانتشار (Diffusion Unit - DU) التي تعالج معلومات الحواف بطريقة منهجية وقابلة للتفسير مع تقديم تحسين جيد. أولاً، نثبت نظريًا أن وحدة الانتشار تتعلم القيام بتعزيز وقمع الحواف المفيدة للمهمة. ثانياً، نلاحظ وتؤكد سلوك تعزيز وقمع الحواف من خلال التجارب العملية. ثالثاً، نثبت بالتجربة أن هذا السلوك يساهم في تحسين الأداء. أجريت تجارب وتحليلات شاملة على مقاييس صعبة للتحقق من فعالية وحدة الانتشار. وبشكل خاص، حققت طريقتنا أداءً رائدًا في تقسيم أجزاء الأجسام باستخدام ShapeNet وفي تقسيم المشاهد باستخدام S3DIS. يمكن الوصول إلى كودنا المصدر من خلال الرابط: https://github.com/martianxiu/DiffusionUnit.