في مجال تطبيقات الرؤية الحاسوبية ثلاثية الأبعاد، يلعب التعلم القليل النقطي للسحابات النقطية دورًا حاسمًا. ومع ذلك، يشكل هذا التحدي صعوبة كبيرة بسبب ندرة البيانات وانتظامها غير المنتظم وعدم ترتيبها. تعتمد الأساليب الحالية على تقنيات معقدة لاستخراج الهندسة المحلية مثل التفاف (convolution)، الرسم البياني (graph)، والآليات الانتباهية (attention mechanisms)، بالإضافة إلى مهام التدريب الأولي المكثفة التي تعتمد على البيانات. هذه الأساليب تخالف الهدف الأساسي للتعلم القليل النقطي، وهو تسهيل التعلم الفعال. لمعالجة هذه المشكلة، نقترح GPr-Net (شبكة النماذج الهندسية)، وهي شبكة نماذج هندسية خفيفة وموفّرة للموارد الحسابية تستطيع التقاط الطوبولوجيا الأساسية للسحابات النقطية وتحقيق أداء أفضل. طريقة IGI++ (مترجم الهندسة الداخلية++) المقترحة من جانبنا تعتمد على مترجمين داخليين هندسيين مصممين باليد باستخدام المتجهات وتستخدم المتجهات اللابلاسية لاستخراج وتقييم شكل السحابة النقطية، مما يؤدي إلى تمثيلات أفضل للتعلم القليل النقطي (FSL). بالإضافة إلى ذلك، تمكن المتجهات اللابلاسية من استخراج الخصائص الثمينة من السحابات النقطية ذات النقاط القليلة. لمواجهة تحدي الانحراف في التوزيع في التعلم القليل النقطي بالمقاييس، نستفيد من الفضاء الزائد الزاوي ونثبت أن أسلوبنا يتعامل مع الاختلاف داخل الفئات وبين الفئات بشكل أفضل من الأساليب الموجودة حاليًا في التعلم القليل النقطي للسحابات النقطية. تظهر نتائج التجارب على مجموعة بيانات ModelNet40 أن GPr-Net يتفوق على الأساليب الأكثر تقدمًا في التعلم القليل النقطي للسحابات النقطية، حيث يصل إلى كفاءة حسابية قصوى هي $170\times$170× أفضل من جميع الأعمال الموجودة حاليًا. الكود متاح بشكل عام على الرابط https://github.com/TejasAnvekar/GPr-Net.