أوجدت طريقة SegContrast طريقًا لتعلم التباين على السحاب النقطية الخارجية. كان التصنيف الأصلي لهذه الطريقة موجّهًا نحو المسح الفردي في تطبيقات مثل القيادة الذاتية وكشف الكائنات. ومع ذلك، تتطلب تطبيقات الخرائط المتنقلة مثل المدن الرقمية والتنظيم الحضري مجموعات بيانات ضخمة وكثيفة لالتقاط التعقيد والتنوع الكاملين الموجودين في البيئات الخارجية. في هذه الورقة، يتم إعادة النظر في طريقة SegContrast وتعديلها لتغلب على قيودها المتعلقة ببيانات الخرائط المتنقلة، وبخاصة ندرة أزواج التباين والقيود المتعلقة بالذاكرة. وللتغلب على ندرة أزواج التباين، نقترح دمج مجموعات بيانات متنوعة (Heterogeneous datasets). لكن هذا الدمج ليس عملية مباشرة بسبب التنوع الكبير في الحجم وعدد النقاط في السحاب النقطية لهذه المجموعات. لذلك، تم تصميم منهجية تكبير البيانات (Data Augmentation) لإنشاء عدد كبير جدًا من المقاطع، مع تحسين حجم عينات السحاب النقطية بما يتناسب مع الذاكرة المخصصة. وتُعرف هذه المنهجية باسم CLOUDSPAM، والتي تضمن أداءً نموذج التعلم الذاتي المُدار على السحاب النقطية للخرائط المتنقلة الصغيرة والكبيرة على حد سواء. في المجمل، تُظهر النتائج فوائد استخدام مجموعات بيانات متنوعة من حيث الكثافة والتنوع الفئوي. وقد تفوّقت CLOUDSPAM على أحدث الطرق في مجموعة بيانات KITTI-360، حيث حققت معدل IoU المتوسط 63.6%، واحتلت المركز الثاني في مجموعة بيانات Toronto-3D. وأخيرًا، حققت CLOUDSPAM نتائج تنافسية مقارنة بنظيرتها المدربة بالكامل باستخدام تسميات (Fully Supervised)، وذلك بفضل 10% فقط من البيانات المُعلّمة.