نقدّم إطارًا بسيطًا وعامًا لتعلم الميزات من السحابة النقطية. تكمن المفتاح في نجاح الشبكات العصبية التلافيفية (CNNs) في عملية التدوير (convolution operator)، التي تتيح استغلال الارتباط المكاني المحلي في البيانات الممثلة بكثافة على الشبكات (مثل الصور). ومع ذلك، فإن السحابة النقطية غير منتظمة وغير مرتبة، وبالتالي فإن تطبيق التدوير مباشرة على النوى مقابل الميزات المرتبطة بالنقط سيؤدي إلى فقدان معلومات الشكل مع التأثر بترتيب النقط. لحل هذه المشكلات، نقترح تعلُّم تحويل X من النقط المدخلة، والذي يستخدم لوزن الميزات المرتبطة بالنقط بشكل متزامن وتدويرها إلى ترتيب خفي محتمل قياسي. ثم تُطبَّق عمليات الضرب العنصري (element-wise product) والجمع (sum) الخاصة بعملية التدوير التقليدية على الميزات التي خضعت لتحويل X. يُعدّ هذا الأسلوب تعميمًا للشبكات العصبية التلافيفية التقليدية لتعلم الميزات من السحابة النقطية، ولذلك نسميه PointCNN. تُظهر التجارب أن PointCNN يحقق أداءً مماثلًا أو أفضل من الأساليب الرائدة في مجالها على عدة مجموعات بيانات معيارية صعبة ومهمات متعددة.