Para abordar la representación de características frágiles en regiones dispersas y la pérdida de detalles en escenas ocluidas causadas por una densidad de muestreo desigual en la segmentación semántica de nubes de puntos 3D en el conjunto de datos SemanticKITTI, este artículo propone un marco innovador que integra la mejora de características adaptativa a la densidad con un ajuste espectral ligero, que implica transformaciones en el dominio de la frecuencia (por ejemplo, Transformada Rápida de Fourier) aplicadas a las características de la nube de puntos para optimizar la eficiencia computacional y mejorar la robustez en regiones dispersas, lo que implica transformaciones en el dominio de la frecuencia para optimizar las características de manera eficiente. El método comienza calculando con precisión la densidad del vecindario local de cada punto utilizando la búsqueda de radio de árbol KD, inyectando posteriormente esto como un canal de características adicional para permitir que la red se adapte a las variaciones de densidad. Luego se emplea una función de pérdida consciente de la densidad, ajustando dinámicamente los pesos de la pérdida de clasificación, aproximadamente en un 40% en áreas de baja densidad, para penalizar fuertemente las clasificaciones erróneas y mejorar la robustez de las características a partir de puntos dispersos. Además, se introduce un mecanismo de fusión de proyección multivista que proyecta nubes de puntos en múltiples vistas 2D, capturando información detallada a través de modelos 2D maduros, con el enfoque principal en tareas de segmentación semántica utilizando el conjunto de datos SemanticKITTI para garantizar la especificidad de la tarea. Esta información se fusiona luego con las características 3D originales a través de retroproyección, complementando así las relaciones geométricas y los detalles de textura para aliviar eficazmente los artefactos de oclusión. Los experimentos en el conjunto de datos SemanticKITTI para la segmentación semántica muestran mejoras significativas en el rendimiento en comparación con la línea base, logrando una Precisión de 0.91, un Recall de 0.89 y un F1-Score de 0.90. En regiones de baja densidad, el F1-Score mejoró de 0.73 a 0.80. Los estudios de ablación destacan las contribuciones de la inyección de características de densidad, la fusión multivista y la pérdida consciente de la densidad, mejorando el F1-Score en un 3.8%, 2.5% y 5.0%, respectivamente. Este marco ofrece un enfoque efectivo para un análisis preciso y robusto de nubes de puntos a través de técnicas de densidad optimizadas y ajuste en el dominio espectral.