Wir schlagen eine präzise und effiziente Methode zur Normalenschätzung vor, die mit Rauschen und nicht-uniformer Dichte in unstrukturierten 3D-Punktwolken umgehen kann. Im Gegensatz zu bestehenden Ansätzen, die direkt Patchs verwenden und lokale Nachbarschaftsbeziehungen ignorieren, was sie an herausfordernden Bereichen wie scharfen Kanten anfällig macht, schlagen wir vor, eine graphkonvolutionale Merkmalsrepräsentation für die Normalenschätzung zu lernen. Diese legt den Schwerpunkt auf die lokale Nachbarschaftsgeometrie und kodiert intrinsische Beziehungen effektiv. Zudem haben wir ein neuartiges adaptives Modul basierend auf dem Aufmerksamkeitsmechanismus entwickelt, um Punktmеркмале с ihren Nachbarmerkmalen zu integrieren, wodurch die Robustheit des vorgeschlagenen Normalenschätzers gegen Dichteschwankungen weiter gesteigert wird. Um die Unterscheidbarkeit zu erhöhen, führen wir eine mehrskalige Architektur im Graphenblock ein, um reichhaltigere geometrische Merkmale zu lernen. Unsere Methode übertrifft Konkurrenten hinsichtlich der Stand der Technik-Genauigkeit auf verschiedenen Benchmark-Datensätzen und ist sehr robust gegenüber Rauschen, Ausreißern sowie Dichteschwankungen.