Nous proposons un nouveau cadre d'apprentissage supervisé pour sursegmenter des nuages de points 3D en superpoints. Nous abordons ce problème en apprenant des plongements profonds de la géométrie locale et de la radiométrie des points 3D, de telle manière que les frontières des objets présentent de forts contrastes. Les plongements sont calculés à l'aide d'un réseau neuronal léger opérant sur le voisinage local des points. Enfin, nous formulons la sursegmentation des nuages de points comme un problème de partition de graphe basé sur les plongements appris.Cette nouvelle approche nous permet d'établir un nouvel état de l'art dans la sursegmentation des nuages de points avec une marge significative, tant sur un jeu de données intérieur dense (S3DIS) que sur un jeu de données extérieur éparse (vKITTI). Notre meilleure solution nécessite plus de cinq fois moins de superpoints pour atteindre des performances similaires aux méthodes précédemment publiées sur S3DIS. De plus, nous démontrons que notre cadre peut être utilisé pour améliorer les algorithmes de segmentation sémantique basés sur les superpoints, établissant ainsi un nouvel état de l'art pour cette tâche également.