تُوفّر تقسيم السحابة النقطية ثلاثية الأبعاد فهمًا شموليًا على مستوى عالٍ للبنية الهيكلية للأجسام، وهو ما يُعدّ ذا قيمة كبيرة في تطبيقات مثل الطب والروبوتات والسيارات ذاتية القيادة. في هذا البحث، نقترح شبكة ت.Convolutionية رسومية مُضادة (Adversarial Graph Convolutional Network) لتقسيم السحابة النقطية ثلاثية الأبعاد. تواجه العديد من الشبكات الحالية مشكلات مثل دقة تقسيم منخفضة وتعقيدات عالية ناتجة عن هيكلها الشبكي البسيط وطرق تجميع الميزات المحلية. للتغلب على هذه المشكلات، نقترح: أ) شبكة ت.Convolutionية رسومية (GCN) ضمن إطار تعلم مُضاد، حيث تزود شبكة المُميّز (Discriminator) شبكة التقسيم بمعلومات مفيدة لتحسين دقة التقسيم؛ و ب) شبكة ت.Convolutionية رسومية مُطوّرة تُسمّى GeoEdgeConv، كوسيلة لجمع الميزات المحلية، بهدف تحسين دقة التقسيم وتقليل التعقيدات المكانية والزمنية. وباستخدام خسارة L2 للترميز (embedding L2 loss) كخسارة مُضادة، تُدرّس الشبكة المقترحة لتقليل العلامات الضوضائية من خلال تأكيد التماسك بين العلامات المجاورة. وباستخدام كل من ميزات الموضع النقطي وميزات الموضع النسبي، تُحافظ GeoEdgeConv على الهياكل الهندسية عبر طبقات الت.Convolution، مما يساعد على استخلاص التفاصيل الدقيقة للهياكل المعقدة، وبالتالي تحسين دقة التقسيم عند الحدود وتقليل الضوضاء في العلامات داخل الفئة دون زيادة التعقيد الحسابي. أظهرت التجارب على مجموعة بيانات ShapeNet Part أن نموذجنا يتفوق على أحدث النماذج (SOTA) من حيث الأداء، مع تعقيد أقل، وله إمكانات كبيرة في التطبيقات التي تتطلب استهلاكًا منخفضًا للطاقة ولكن أداءً عالٍ في التقسيم.