رغم الدور الرئيسي لتقسيم السحابة النقطية في الفهم ثلاثي الأبعاد، فإن تسمية مشاهد كبيرة النطاق بشكل كامل يمكن أن يكون مكلفًا وطويل الأمد. لحل هذه المشكلة، نقترح شبكة Point Central Transformer (PointCT)، وهي شبكة جديدة قابلة للتدريب من الطرف إلى الطرف باستخدام نموذج التحويل (Transformer) لتقسيم معنى السحابة النقطية بوساطة تدريب ضعيف التوجيه. على عكس النهج السابقة، يعالج نهجنا تحديات التسمية المحدودة للنقاط بالاعتماد حصريًا على النقاط ثلاثية الأبعاد من خلال آلية انتباه تعتمد على النقط المركزية. من خلال استخدام عمليتي تضمين، تُدمج آلية الانتباه المُقترحة الميزات العالمية عبر الجيران، مما يعزز بشكل فعّال تمثيل النقاط غير المُسمّاة. وفي الوقت نفسه، يتم تحقيق ترابط ثنائي الاتجاه بين النقاط المركزية وجيرانها المميّزين. كما يتم تطبيق الترميز المكاني لتعزيز الميزات الهندسية وتحسين الأداء العام. ومن الملاحظ أن PointCT تحقق أداءً متميزًا في مختلف إعدادات النقاط المُسمّاة دون الحاجة إلى توجيه إضافي. وتوصل التجارب الواسعة على مجموعات بيانات عامة مثل S3DIS وScanNet-V2 وSTPLS3D إلى تفوق النهج المقترح مقارنةً بالطرق الحديثة الأخرى.