In dieser Arbeit schlagen wir Dilated Point Convolutions (DPC) vor. In einer umfassenden Abstraktionsstudie zeigen wir, dass die Größe des Rezeptionsfeldes direkt mit der Leistung bei Aufgaben zur Verarbeitung von 3D-Punktwolken zusammenhängt, einschließlich semantischer Segmentierung und Objektklassifizierung. Punktkonvolutionen werden häufig verwendet, um 3D-Datendarstellungen wie Punktwolken oder Graphen effizient zu verarbeiten. Allerdings beobachten wir, dass die Größe des Rezeptionsfeldes von aktuellen Punktkonvolutionssystemen inhärent begrenzt ist. Unsere dilatierten Punktkonvolutionen mildern dieses Problem; sie erhöhen die Größe des Rezeptionsfeldes bei Punktkonvolutionen erheblich. Besonders wichtig ist, dass unser Dilationsmechanismus leicht in die meisten bestehenden Punktkonvolutionssysteme integriert werden kann. Um die resultierenden Netzarchitekturen zu bewerten, visualisieren wir das Rezeptionsfeld und berichten wettbewerbsfähige Ergebnisse auf gängigen Benchmarks für 3D-Punktwolken.