Le traitement des nuages de points est particulièrement complexe, car les formes diverses issues de points irréguliers sont souvent difficiles à distinguer. Une compréhension approfondie de ces formes évasives nécessite une information sémantique contextuelle suffisamment riche, pourtant peu de travaux s’attardent sur cette question. Dans cet article, nous proposons DensePoint, une architecture générale permettant d’apprendre des représentations contextuelles denses pour le traitement des nuages de points. Techniquement, nous étendons les réseaux de neurones convolutifs sur grille régulière aux configurations de points irrégulières en généralisant un opérateur de convolution qui préserve l’invariance par permutation des points, tout en permettant un apprentissage inductif efficace des motifs locaux. Architecturalement, notre approche s’inspire du mode de connexion dense, afin de regrouper de manière répétée des informations sémantiques de multiples niveaux et échelles au sein d’une hiérarchie profonde. En conséquence, DensePoint acquiert de manière organique des informations contextuelles denses combinées à une richesse sémantique, ce qui en fait une solution hautement efficace. Des expériences étendues sur des benchmarks exigeants couvrant quatre tâches, ainsi qu’une analyse approfondie du modèle, confirment que DensePoint atteint l’état de l’art.