Les nuages de points fournissent une représentation compacte et efficace des formes 3D. Bien que les réseaux neuronaux profonds aient obtenu des résultats impressionnants dans les tâches d'apprentissage sur les nuages de points, ils nécessitent de grandes quantités de données étiquetées manuellement, ce qui peut être coûteux et chronophage à collecter. Dans cet article, nous exploitons l'auto-supervision 3D pour apprendre des tâches en aval sur les nuages de points avec moins d'étiquettes. Un nuage de points peut être pivoté de nombreuses façons infinies, ce qui fournit une source riche et sans étiquette pour l'auto-supervision. Nous considérons la tâche auxiliaire de prédiction des rotations, qui conduit à des caractéristiques utiles pour d'autres tâches telles que la classification de formes et la prédiction de points clés 3D. À l'aide d'expériences menées sur ShapeNet et ModelNet, nous démontrons que notre approche surpasses l'état de l'art. De plus, les caractéristiques apprises par notre modèle sont complémentaires à d'autres méthodes d'auto-supervision, et leur combinaison entraîne une amélioration supplémentaire des performances.