La détection d’objets 3D a connu des progrès remarquables en ne prenant comme unique entrée des nuages de points. Toutefois, les nuages de points souffrent souvent de structures géométriques incomplètes et du manque d’informations sémantiques, ce qui rend difficile pour les détecteurs de classer précisément les objets détectés. Dans ce travail, nous nous concentrons sur la manière d’exploiter efficacement les informations au niveau des objets provenant des images afin d’améliorer les performances d’un détecteur 3D basé sur les points. Nous proposons DeMF, une méthode simple mais efficace pour fusionner les informations d’image dans les caractéristiques de points. Étant donné un ensemble de caractéristiques de points et des cartes de caractéristiques d’image, DeMF agrège de manière adaptative les caractéristiques d’image en utilisant comme référence la position 2D projetée du point 3D. Nous évaluons notre méthode sur le défi du dataset SUN RGB-D, obtenant ainsi une amélioration significative par rapport aux résultats les plus avancés (+2,1 mAP@0,25 et +2,3 mAP@0,5). Le code est disponible à l’adresse suivante : https://github.com/haoy945/DeMF.