In jüngster Zeit wurde erheblicher Fortschritt bei der Segmentierung von Punktwolken unter Verwendung eines Encoder-Decoder-Rahmenwerks erzielt, das ursprünglich Punktwolken in niedrigauflösende Darstellungen kodiert und anschließend hochauflösende Vorhersagen decodiert. Angeregt durch den Erfolg hochauflösender Architekturen bei der dichten Bildvorhersage, die stets eine hochauflösende Repräsentation während des gesamten Lernprozesses beibehalten, halten wir es für äußerst wichtig, auch für die dichte 3D-Punktwolkenanalyse eine solche Architekturstrategie zu verfolgen. Daher untersuchen wir in diesem Artikel hochauflösende Architekturen für die Segmentierung von 3D-Punktwolken. Konkret generalisieren wir hochauflösende Architekturen mittels eines einheitlichen Pipelines namens PointHR, das einen auf K-Nachbarn basierenden Sequenzoperator zur Merkmalsextraktion und einen differenziellen Resampling-Operator zur effizienten Kommunikation zwischen verschiedenen Auflösungen beinhaltet. Zudem schlagen wir vor, zahlreiche Echtzeitberechnungen hochauflösender Architekturen zu vermeiden, indem die Indizes für sowohl den Sequenz- als auch den Resampling-Operator vorab berechnet werden. Auf diese Weise liefern wir hochwettbewerbsfähige hochauflösende Architekturen, wobei wir die Vorteile gut entworfener Punktwolken-Blöcke nutzen, ohne zusätzlichen Aufwand zu betreiben. Um diese Architekturen für die dichte Punktwolkenanalyse zu evaluieren, führen wir umfassende Experimente mit den Datensätzen S3DIS und ScanNetV2 durch, bei denen das vorgeschlagene PointHR die jüngsten state-of-the-art-Methoden übertrifft, ohne auf zusätzliche Verbesserungen zurückzugreifen. Der Quellcode ist unter \url{https://github.com/haibo-qiu/PointHR} verfügbar.