Die von Punktwolken bereitgestellten geometrischen und farblichen Informationen sind für das Verständnis von 3D-Szenen von entscheidender Bedeutung. Diese beiden Arten von Informationen charakterisieren verschiedene Aspekte der Punktwolken, aber bestehende Methoden fehlen es an einer ausführlichen Gestaltung zur Unterscheidung und Relevanz. Daher erforschen wir ein 3D-paradigma des selbstüberwachten Lernens, das die Beziehungen zwischen den Informationen der Punktwolken besser nutzen kann. Insbesondere schlagen wir einen universellen Vortrainingsrahmen für 3D-Szenen vor, der durch Geometrie-Farbe-Kontrast (Point-GCC) arbeitet und geometrische und farbliche Informationen mithilfe eines Siamese-Netzwerks ausrichtet. Um praktische Anwendungsaufgaben zu berücksichtigen, haben wir (i) eine hierarchische Überwachung mit punktbezogenem Kontrast und einem objektbezogenen Kontrast basierend auf einem neuartigen tiefen Clusteringmodul entwickelt, um die Lücke zwischen dem Vortraining und den nachgelagerten Aufgaben zu schließen; (ii) ein architekturunabhängiges Backbone-Modul entworfen, um sich an verschiedene nachgelagerte Modelle anzupassen. Dank der objektbezogenen Darstellung, die mit den nachgelagerten Aufgaben verbunden ist, kann Point-GCC die Modelleffizienz direkt bewerten. Die Ergebnisse zeigen die Effektivität unserer Methoden. Übertragungslernergebnisse bei einer Vielzahl von Aufgaben weisen zudem über alle Datensätze hinweg konstante Verbesserungen auf. Zum Beispiel erzielen wir neue Standesbestimmungen in der Objekterkennung auf den Datensätzen SUN RGB-D und S3DIS. Der Code wird unter https://github.com/Asterisci/Point-GCC veröffentlicht werden.