Die jüngsten Fortschritte im Bereich des Point-Cloud-Learnings haben es ermöglicht, dass intelligente Fahrzeuge und Roboter 3D-Umgebungen besser verstehen können. Dennoch bleibt die Verarbeitung von groß angelegten 3D-Szenen ein herausforderndes Problem, weshalb effiziente Downsampling-Methoden eine entscheidende Rolle bei der Point-Cloud-Bearbeitung spielen. Bestehende Downsampling-Verfahren erfordern entweder einen hohen Rechenaufwand oder opfern detaillierte geometrische Informationen. In diesem Zusammenhang präsentiert dieser Artikel einen fortgeschrittenen Sampler, der sowohl hohe Genauigkeit als auch Effizienz erreicht. Das vorgeschlagene Verfahren nutzt Voxel-Centroid-Sampling als Grundlage, adressiert jedoch effektiv die Herausforderungen der Voxel-Größenbestimmung und der Erhaltung kritischer geometrischer Hinweise. Insbesondere schlagen wir ein Voxel-Anpassungsmodul (Voxel Adaptation Module) vor, das die Voxelgrößen anhand des punktbasierten Downsampling-Verhältnisses anpasst. Dies gewährleistet, dass die Sampling-Ergebnisse eine günstige Verteilung für das Verständnis verschiedener 3D-Objekte oder -Szenen aufweisen. Gleichzeitig führen wir ein Netzwerk ein, das mit beliebigen Voxelgrößen für das Sampling und die Merkmalsextraktion kompatibel ist und dabei hohe Effizienz beibehält. Die vorgeschlagene Methode wird anhand von 3D-Objekterkennung und 3D-semantischer Segmentierung demonstriert. Im Vergleich zu den aktuellen besten Methoden erreicht unser Ansatz bessere Genauigkeit bei großen Outdoor- und Indoor-Datensätzen wie Waymo und ScanNet, wobei er vielversprechende Effizienz bietet.