La estrecha relación entre la cinemática espacial y la geometría de líneas ha demostrado ser fructífera en la detección y reconstrucción de superficies. Sin embargo, los métodos basados en este enfoque están limitados a formas geométricas simples que pueden formularse como un subespacio lineal de líneas o elementos lineales. El núcleo de este enfoque es una formulación de componentes principales para encontrar un aproximante de mejor ajuste a una superficie posiblemente ruidosa o imparcial dada como un conjunto desordenado de puntos o nube de puntos. Ampliamos esto introduciendo el modelo de variables latentes de proceso gaussiano, un enfoque probabilístico de reducción de dimensionalidad no lineal no paramétrico siguiendo el paradigma bayesiano. Esto nos permite encontrar estructura en un espacio latente de menor dimensión para las superficies de interés. Mostramos cómo esto se puede aplicar en la aproximación de superficies y la segmentación no supervisada de las superficies mencionadas anteriormente y demostramos sus beneficios en superficies que se desvían de estas. Se realizan experimentos en objetos sintéticos y del mundo real.