“离散拉普拉斯算子是三维几何处理领域的核心微分算子，广泛应用于平滑、变形及参数化等任务。由于点云数据缺乏规范的拓扑连接，传统基于局部三角剖分的方法在处理稀疏或含噪数据时鲁棒性较差。现有的深度学习方法（如 NeLo）虽然能通过数据驱动在 K 近邻图上学习算子权重，但其输入依赖于点对的相对几何坐标，导致模型对点云的全局姿态高度敏感，不具备旋转不变性。此外，单一尺度的特征聚合难以兼顾局部几何细节保留与噪声抑制。针对上述问题，提出一种融合局部参考系与多尺度注意力机制的旋转鲁棒点云拉普拉斯算子学习网络。”