La segmentation des nuages de points est fondamentale pour comprendre les environnements en 3D. Toutefois, les méthodes actuelles de segmentation des nuages de points 3D se montrent généralement insatisfaisantes au niveau des frontières scéniques, ce qui dégrade globalement les performances de segmentation. Dans cet article, nous nous concentrons sur la segmentation des frontières scéniques. En conséquence, nous explorons tout d’abord des métriques permettant d’évaluer la performance de segmentation au niveau des frontières. Afin de remédier à cette faible performance aux frontières, nous proposons ensuite un nouveau cadre d’apprentissage contrastif des frontières (CBL, Contrastive Boundary Learning) pour la segmentation des nuages de points. Plus précisément, le cadre CBL améliore la discrimination des caractéristiques entre les points situés de part et d’autre des frontières en contrastant leurs représentations grâce à l’assistance de contextes scéniques à plusieurs échelles. En appliquant CBL à trois méthodes de base différentes, nous montrons expérimentalement que CBL améliore de manière cohérente ces différentes bases et les aide à atteindre des performances remarquables au niveau des frontières, ainsi qu’une amélioration globale, notamment en termes de mIoU. Les résultats expérimentaux démontrent l’efficacité de notre méthode et l’importance cruciale des frontières dans la segmentation des nuages de points 3D. Le code source et les modèles seront rendus accessibles publiquement à l’adresse suivante : https://github.com/LiyaoTang/contrastBoundary.