Die Segmentierung von 3D-Punktwolken ermöglicht eine hochwertige semantische Interpretation der Objektstruktur und ist in Anwendungen wie Medizin, Robotik und autonomen Fahrzeugen von großem Wert. In diesem Artikel stellen wir ein adversarisches Graphen-Convolutional-Netzwerk (Adversarial Graph Convolutional Network) für die Segmentierung von 3D-Punktwolken vor. Viele aktuelle Netzwerke leiden unter geringer Segmentierungsgenauigkeit und hoher Komplexität aufgrund ihrer groben Netzarchitekturen und ineffizienter Methoden zur lokalen Merkmalsaggregation.Um diese Probleme zu überwinden, schlagen wir folgende Ansätze vor: a) ein Graphen-Convolutional-Netzwerk (GCN) im Rahmen eines adversarischen Lernschemas, bei dem ein Diskriminator dem Segmentierungsnetzwerk informative Signale bereitstellt, um die Segmentierungsgenauigkeit zu verbessern; sowie b) eine neue Graphen-Convolution-Methode namens GeoEdgeConv, die als Mittel zur lokalen Merkmalsaggregation dient, um sowohl die Segmentierungsgenauigkeit als auch die räumliche und zeitliche Komplexität zu optimieren. Durch die Verwendung eines Embedding-L2-Verlustes als adversarialen Verlust wird das vorgeschlagene Netzwerk trainiert, um Rauschen in den Labels zu reduzieren, indem Konsistenz zwischen benachbarten Labels erzwungen wird. Durch die gleichzeitige Nutzung von Punkt- und relativen Positionsmerkmalen wird die Erhaltung geometrischer Strukturen über die Convolution-Schichten hinweg gewährleistet, wodurch GeoEdgeConv die Lernung feiner Details komplexer Strukturen ermöglicht. Dadurch wird die Segmentierungsgenauigkeit an Grenzflächen verbessert und das Label-Rauschen innerhalb einer Klasse reduziert, ohne dass sich die rechnerische Komplexität erhöht.Experimente auf dem ShapeNet Part-Datensatz zeigen, dass unser Modell die derzeit besten Ansätze (SOTA) bei geringerer Komplexität übertrifft und große Perspektiven für Anwendungen mit geringem Energieverbrauch und hoher Segmentierungsgenauigkeit eröffnet.