تظهر طرق تقسيم النماذج ثلاثية الأبعاد من الخشن إلى الدقيق أداءً ضعيفًا مقارنة بالطرق الحديثة القائمة على المجموعات، وال núclei (النواة)، والتحويلات (Transformers). نعتقد أن السبب في ذلك يعود إلى حدَّين رئيسيين: 1) تقدير حجم النموذج بشكل زائد بواسطة الصندوق الحدودي المحاذي للمحور (AABB) 2) تراكم الأخطاء السلبية الخاطئة من الصندوق غير الدقيق إلى مرحلة التحسين. في هذا العمل، نقدم "قناع كروي" (Spherical Mask)، وهو نهج جديد من الخشن إلى الدقيق يستند إلى التمثيل الكروي، مما يتجاوز هذين الحدين مع العديد من الفوائد. بصفة خاصة، يتوقع اكتشافنا الخشن كل نموذج باستخدام مضلع ثلاثي الأبعاد عبر التنبؤ بالمركز والمسافة الشعاعية، مما يتجنب تقدير الحجم الزائد للصندوق الحدودي المحاذي للمحور (AABB). لقطع انتشار الخطأ في الطرق الموجودة من الخشن إلى الدقيق، نقوم بنقل النقاط بشكل افتراضي استنادًا إلى المضلع، مما يسمح بتحسين جميع النقاط الأولى، بما في ذلك الأخطاء السلبية الخاطئة. خلال الاستدلال، تعمل وحدات الاقتراح ونقل النقاط بالتوازي وتُجمع لتشكيل أقنعة ثنائية للأمثلة. كما نقدم خسارة هامشية مرتين للنقاط المنقولة لفرض تصحيحات للأخطاء الإيجابية/السلبية الخاطئة وللتماسك بين النقاط الأولى، مما يحسن الأداء بشكل كبير. تظهر النتائج التجريبية من ثلاثة مجموعات بيانات مثل ScanNetV2 و S3DIS و STPLS3D أن طريقة المقترح لدينا تتفوق على الأعمال الموجودة، مما يدل على فعالية التمثيل الجديد للأمثلة باستخدام الإحداثيات الكروية. يمكن الحصول على الرمز البرمجي من الرابط التالي: https://github.com/yunshin/SphericalMask