La convolution appliquée aux nuages de points 3D, généralisée à partir des domaines 2D en grille, fait l’objet de recherches intensives mais reste loin d’être optimale. La convolution classique traite de manière indistinguée les correspondances de caractéristiques entre les points 3D, ce qui constitue une limitation intrinsèque liée à une apprentissage des caractéristiques peu discriminant. Dans cet article, nous proposons une convolution par graphe adaptatif (AdaptConv), qui génère des noyaux adaptatifs pour chaque point en fonction de ses caractéristiques apprises dynamiquement. Contrairement à l’utilisation d’un noyau fixe ou isotrope, AdaptConv améliore la flexibilité des convolutions sur les nuages de points, permettant ainsi de capturer de manière efficace et précise les relations diversifiées entre les points provenant de différentes parties sémantiques. À la différence des approches courantes basées sur des poids d’attention, AdaptConv intègre l’adaptativité directement dans l’opération de convolution, plutôt que de simplement attribuer des poids différents aux points voisins. Des évaluations qualitatives et quantitatives étendues montrent que notre méthode surpasse les approches les plus avancées en classification et segmentation de nuages de points sur plusieurs jeux de données standard. Le code source est disponible à l’adresse suivante : https://github.com/hrzhou2/AdaptConv-master.