Nous proposons une méthode précise et efficace d'estimation des normales capable de traiter le bruit et les densités non uniformes pour des nuages de points 3D non structurés. Contrairement aux approches existantes qui prennent directement des patchs et ignorent les relations de voisinage locales, ce qui les rend vulnérables dans des régions difficiles comme les arêtes vives, nous suggérons d'apprendre une représentation de caractéristiques par convolution graphique pour l'estimation des normales, mettant l'accent sur la géométrie du voisinage local et codant efficacement les relations intrinsèques. De plus, nous avons conçu un module adaptatif novateur basé sur le mécanisme d'attention pour intégrer les caractéristiques des points avec celles de leurs voisins, ce qui renforce encore la robustesse de notre estimateur de normales face aux variations de densité ponctuelle. Pour rendre notre méthode plus distinctive, nous introduisons une architecture multi-échelle dans le bloc graphique afin d'apprendre des caractéristiques géométriques plus riches. Notre méthode surpassant ses concurrents avec une précision à la pointe de la technologie sur divers ensembles de données de référence, elle est particulièrement robuste face au bruit, aux valeurs aberrantes ainsi qu'aux variations de densité.