Dans cette étude, nous proposons les Convolutions de Points Dilatées (DPC). À travers une analyse ablationnelle approfondie, nous démontrons que la taille du champ récepteur est directement liée à la performance des tâches de traitement de nuages de points 3D, y compris la segmentation sémantique et la classification d'objets. Les convolutions de points sont largement utilisées pour traiter efficacement des représentations de données 3D telles que les nuages de points ou les graphes. Cependant, nous constatons que la taille du champ récepteur des réseaux de convolutions de points récents est inhéremment limitée. Nos convolutions de points dilatées atténuent ce problème en augmentant considérablement la taille du champ récepteur des convolutions de points. De manière importante, notre mécanisme de dilatation peut être facilement intégré dans la plupart des réseaux de convolutions de points existants. Pour évaluer les architectures réseau résultantes, nous visualisons le champ récepteur et rapportons des scores compétitifs sur des benchmarks populaires de nuages de points.