La extracción de descriptores geométricos en visión 3D es el primer paso. Juega un papel importante en el registro 3D, la reconstrucción 3D y otras aplicaciones. El éxito de muchas tareas 3D está estrechamente relacionado con si el descriptor geométrico tiene características precisas. Hoy en día, los principales métodos se dividen en producción manual y aprendizaje de redes neuronales. La aplicabilidad de los descriptores se limita a un punto de bajo nivel, esquina, borde y características de vecindario fijo. Para esto, utilizamos la atención de clase de la nube de puntos. Para extraer la atención de clase, se utiliza el enfoque de agrupamiento de grafos. Puede recopilar puntos con estructuras similares y dividir regiones de forma dinámica. Manteniendo la invarianza a la rotación, las características pueden mejorar su ajuste a los datos originales. Se utilizan la atención de punto y la atención de borde para describir las características estructurales de las nubes de puntos. Combinamos las tres atenciones indicadas anteriormente para mejorar las características obtenidas por el decodificador PointNet. Esta característica puede reflejar dinámicamente la estructura de la nube de puntos, que incluye tanto información de forma suave como información detallada. Finalmente, los descriptores 3D se extraen con el decodificador FoldingNet. Nuestro método se valida en conjuntos de datos tanto en interiores como en exteriores. La precisión del resultado final se mejora en dos puntos porcentuales.