우리는 3차원 포인트 클라우드에 대한 효율적인 그래프 컨볼루션을 위한 구형 커널(spherical kernel)을 제안한다. 본 연구에서 제안하는 메트릭 기반 커널은 국소적인 3차원 공간을系통적으로 양자화함으로써 데이터 내 특징적인 기하학적 관계를 식별한다. 정규 격자 기반의 CNN 커널과 유사하게, 구형 커널은 이동 불변성(translation-invariance)과 비대칭성(asymmetry)의 성질을 유지하는데, 이는 유사한 국소 구조 간의 가중치 공유를 보장하고, 세밀한 기하학적 학습을 촉진한다. 제안된 커널은 엣지에 의존적인 필터 생성 없이 그래프 신경망에 적용 가능하여 대규모 포인트 클라우드에 있어 계산적으로 유리하다. 본 연구의 그래프 네트워크에서는 각 정점이 단일 점의 위치와 연결되며, 엣지는 정해진 범위 내의 이웃 점들을 연결한다. 네트워크 내에서 가장 먼 점 샘플링(farthest point sampling)을 통해 그래프가 계층적으로 굴착(coarsened)된다. 표준 CNN과 유사하게, 본 네트워크에 대해 풀링(pooling) 및 언풀링(unpooling) 연산을 정의하였다. 제안된 구형 커널의 효과는 ModelNet, ShapeNet, RueMonge2014, ScanNet, S3DIS 등의 데이터셋을 활용한 포인트 클라우드 분류 및 세분화(semantic segmentation) 작업을 통해 입증되었다. 소스 코드 및 학습된 모델은 https://github.com/hlei-ziyan/SPH3D-GCN 에서 다운로드 가능하다.