La segmentation des nuages de points 3D permet d’obtenir une compréhension sémantique de haut niveau de la structure des objets, ce qui est particulièrement utile dans des domaines tels que la médecine, la robotique et les véhicules autonomes. Dans cet article, nous proposons un réseau de convolution de graphe adversarial pour la segmentation des nuages de points 3D. De nombreuses architectures actuelles souffrent de faibles performances en segmentation et de complexités élevées, en raison de leurs architectures réseau rudimentaires et de leurs méthodes d’agrégation locale des caractéristiques.Pour surmonter ces limitations, nous introduisons : a) un réseau de convolution de graphe (GCN) intégré dans un cadre d’apprentissage adversarial, où un réseau discriminateur fournit au réseau de segmentation des informations pertinentes afin d’améliorer sa précision ; b) une nouvelle convolution de graphe, appelée GeoEdgeConv, utilisée comme méthode d’agrégation locale des caractéristiques, permettant d’améliorer à la fois la précision de segmentation et les complexités spatiale et temporelle. En utilisant une perte L2 d’encodage comme perte adversariale, le réseau proposé apprend à réduire les étiquettes bruitées en imposant une cohérence entre les étiquettes des points voisins. En préservant les structures géométriques au cours des couches de convolution grâce à l’usage conjoint des caractéristiques des points et de leurs positions relatives, GeoEdgeConv permet d’apprendre des détails fins de structures complexes, améliorant ainsi la précision de segmentation aux frontières tout en réduisant le bruit d’étiquetage à l’intérieur des classes, sans augmenter la complexité computationnelle. Des expériences menées sur ShapeNet Part montrent que notre modèle surpasser le state-of-the-art (SOTA) avec une complexité réduite, et présente un fort potentiel pour des applications exigeant à la fois une faible consommation énergétique et une haute performance en segmentation.