Les méthodes les plus récentes et les plus avancées pour le traitement des nuages de points reposent sur la notion de convolution de points, pour laquelle plusieurs approches ont été proposées. Dans cet article, inspirés de la convolution discrète utilisée en traitement d’image, nous proposons une formulation permettant de relier et d’analyser un ensemble de méthodes de convolution de points. Nous introduisons également une variante originale de convolution, qui sépare l’estimation des poids du noyau indépendamment de la géométrie et leur alignement par rapport au support spatial des caractéristiques. En outre, nous définissons une stratégie d’échantillonnage des points pour la convolution, à la fois efficace et rapide. Enfin, en combinant notre méthode de convolution et notre stratégie d’échantillonnage, nous obtenons des résultats compétitifs sur des benchmarks de classification et de segmentation sémantique, tout en étant efficaces en temps et en mémoire.