Angesichts der Bedeutung aktueller 3D-Sensoren lohnt sich eine detaillierte Analyse der grundlegenden Punktwolken-Daten weiterer Untersuchung. Insbesondere können reale Punktwolken-Szenen komplexe Umgebungen in der realen Welt intuitiv erfassen, doch ist die maschinelle Wahrnehmung aufgrund der rohen Natur von 3D-Daten äußerst herausfordernd. In dieser Arbeit konzentrieren wir uns auf die zentrale visuelle Aufgabe der semantischen Segmentierung für großskalige, in der Realität erfasste Punktwolken-Daten. Einerseits verringern wir die Ambiguität in benachbarten Punkten, indem wir ihren lokalen Kontext durch eine vollständige Nutzung sowohl geometrischer als auch semantischer Merkmale in einer bilateralen Struktur erweitern. Andererseits interpretieren wir die Unterscheidbarkeit der Punkte umfassend auf mehreren Auflösungsstufen und repräsentieren die Merkmalskarte auf Punktebene mittels eines adaptiven Fusionsverfahrens zur präzisen semantischen Segmentierung. Darüber hinaus führen wir spezifische Ablationsstudien und anschauliche Visualisierungen durch, um die Wirksamkeit unserer Schlüsselmodule zu validieren. Durch den Vergleich mit modernsten Netzwerken auf drei unterschiedlichen Benchmarks demonstrieren wir die Effektivität unseres Ansatzes.