تسجيل السحاب النقطية لليدار الخارجية البعيدة يُعد أمرًا بالغ الأهمية لتوسيع الرؤية ثلاثية الأبعاد للمركبات المستقلة التعاونية، ومع ذلك فإنه يمثل تحديًا كبيرًا بسبب المساحة المتداخلة الصغيرة والفارق الهائل في كثافة النقاط المرصودة. في هذه الورقة، نقترح خطة تعلم التباين الجماعي (GCL) لاستخلاص ميزات هندسية غير حساسة للكثافة، بهدف تسجيل السحاب النقطية لليدار الخارجية البعيدة. من خلال التحليل النظري والتجارب، نوضح أن الإيجابيات التباينية يجب أن تكون مستقلة ومتوزعة بشكل متماثل (i.i.d.)، وذلك لتدريب مُستخرجات ميزات غير حساسة للكثافة. بناءً على هذا الاستنتاج، نقترح خطة تدريب بسيطة ولكنها فعالة، تُجبر الميزات الخاصة بعدة سحاب نقطية تقع في نفس الموقع المكاني (والمسمّاة مجموعات إيجابية) على أن تكون متشابهة، مما يُقلل بشكل طبيعي من التحيز الناتج عن عينة زوجية من السحاب النقطية، ويتوافق مع مبدأ i.i.d. الناتج عن ذلك، يصبح مُستخرج الميزات الكاملة القائم على التحويلات التلافيفية أكثر قوة ومقاومة للكثافة مقارنةً بالأساليب الحالية، مما يُحسّن نسبة الاسترجاع في تسجيل السيناريوهات البعيدة على معايير KITTI وnuScenes بنسبة 40.9% و26.9% على التوالي. يتوفر الكود على الرابط: https://github.com/liuQuan98/GCL.