本研究提出了一种用于高效处理大规模3D数据的通用全卷积网络架构。该方法的一个显著特点是能够以无序的3D表示（如点云）作为输入，然后在内部将其转换为有序结构，以便通过3D卷积进行处理。与传统方法从输入到输出始终维持无序或有序表示不同，我们的方法具有在内存高效的输入数据表示上操作的优势，同时利用卷积运算的自然结构来避免在网络中冗余计算和存储空间信息。该网络消除了对原始传感器数据进行预处理或后处理的需求。结合其全卷积特性，这使得它成为一种端到端的方法，能够一次性处理巨大空间甚至整个房间中的多达20万点的点云。另一个优势是，我们的网络可以生成有序输出或将预测直接映射到输入点云上，因此适合作为适用于许多3D任务的通用点云描述符。我们通过在语义体素分割、语义部件分割和3D场景描述等基准数据集上的评估，展示了网络有效学习低级特征以及复杂组合关系的能力。