PointContrastではScanNetV2の3Dシーンに対して異なる視点からregistrationするための擬似ラベルを与えることで事前学習モデルを生成していた．しかし，それでは学習データ数がShapeNetV2に依存してしまう．そこで，本手法ではShapeNetのCADモデルを用いて自動で3Dシーンを生成することで学習データ生成のコストを低減させている．

三次元物体検出手法であるVoteNetとH3DNetに対して事前学習し，PointContrastと比較して検出精度が向上することを明らかにした．また，従来の自己教師あり学習ではbackbone networkにSR-UNetを採用していたが，本手法ではパラメータ数が少ないPointNet++でも有効な事前学習効果が確認されている．

PointContrastの問題をシンプルな方法で改善することを試みており，実際に検出精度も向上している点．また，自動で3Dシーンを生成可能にすることにより，従来では明らかとされていない3D物体検出に有効な事前学習の知見を獲得できた点．