点群は3次元形状のコンパクトで効率的な表現を提供します。深層ニューラルネットワークは、点群学習タスクにおいて印象的な結果を達成していますが、大量の手動でラベル付けされたデータが必要であり、その収集にはコストと時間がかかることがあります。本論文では、少ないラベルで点群の下流タスクを学習するために3次元自己監督を活用します。点群は無限に回転させることができ、これはラベルなしの豊富な自己監督の情報源となります。私たちは、回転予測という補助タスクを考え、これにより形状分類や3次元キーポイント予測などの他のタスクに有用な特徴量が得られることを示します。ShapeNetおよびModelNetでの実験により、当方針が現行の最先端技術を上回ることを証明しました。さらに、当モデルによって学習された特徴量は他の自己監督方法と相補的であり、それらを組み合わせることでさらなる性能向上が見られます。