Les avancées récentes dans l’analyse des nuages de points 3D ont introduit une diversité croissante d’architectures de réseaux. Toutefois, le manque d’un cadre unifié permettant d’interpréter ces réseaux rend toute comparaison, contraste ou analyse systématiques particulièrement difficile, et limite en pratique un développement sain du domaine. Dans ce travail, nous proposons initialement un cadre unifié, nommé PointMeta, auquel peuvent s’inscrire les approches courantes d’analyse des nuages de points 3D. Ce cadre apporte trois avantages majeurs. Premièrement, il permet de comparer les différentes approches de manière équitable, et d’effectuer rapidement des expériences pour valider empiriquement des observations ou hypothèses issues de ces comparaisons. Deuxièmement, la vision d’ensemble offerte par PointMeta nous permet de réfléchir de manière transversale aux différentes composantes, et de remettre en question des croyances courantes ainsi que des décisions de conception clés adoptées par les approches populaires. Troisièmement, à partir des apprentissages tirés des deux analyses précédentes, en apportant simplement de légères modifications aux approches existantes, nous parvenons à définir un bloc de base fondamental, appelé PointMetaBase. Ce dernier démontre une performance très élevée en efficacité et en efficacité, confirmée par des expérimentations étendues sur des benchmarks exigeants. Cela illustre la nécessité et les bénéfices d’une interprétation, comparaison et contraste de haut niveau tels que ceux proposés par PointMeta. En particulier, PointMetaBase dépasse la méthode précédemment état de l’art de 0,7 %/1,4 %/2,1 % en mIoU, tout en nécessitant seulement 2 %/11 %/13 % des ressources computationnelles sur les jeux de données S3DIS.