La capacité à faire face aux corruptions hors distribution (OOD) et aux attaques adversaires est cruciale dans les applications réelles exigeant une sécurité. Dans cette étude, nous développons un mécanisme général pour augmenter la robustesse des réseaux de neurones basé sur l'analyse du focus.Des études récentes ont révélé le phénomène de \textit{Surfocus}, qui entraîne une baisse des performances. Lorsque le réseau est principalement influencé par de petites régions d'entrée, il devient moins robuste et plus susceptible de mal classer en présence de bruit et de corruptions.Cependant, la quantification du surfocus reste floue et manque de définitions claires. Ici, nous fournissons une définition mathématique du \textbf{focus}, du \textbf{surfocus} et du \textbf{sous-focus}. Ces concepts sont généraux, mais dans cette étude, nous examinons spécifiquement le cas des nuages de points 3D.Nous constatons que les ensembles corrompus entraînent une distribution biaisée du focus par rapport à l'ensemble d'entraînement propre.Nous montrons que lorsque la distribution du focus s'écarte de celle apprise lors de la phase d'entraînement, les performances de classification se détériorent.Nous proposons donc un algorithme de \textbf{refocus} sans paramètre visant à unifier toutes les corruptions sous la même distribution.Nous validons nos résultats sur une tâche de classification zéro-shot 3D, atteignant l'état de l'art (SOTA) en classification 3D robuste sur le jeu de données ModelNet-C, ainsi qu'en défense contre les attaques invariantes à la forme. Le code est disponible à l'adresse suivante : https://github.com/yossilevii100/refocusing.