Met de recente uitbreiding van sensoren die diepte-informatie samen met andere visuele cues aangeven, beginnen driedimensionale (3D) puntenwolken een cruciale rol te spelen in veel toepassingen, zoals autonome navigatie, robotica, virtuele en augmented reality. De snelle groei aan apparaten zoals RGB-D-camera's en LiDAR leidt tot enorme hoeveelheden 3D-gegevens die worden waargenomen en geanalyseerd door verschillende machine vision-systemen. Het opslaan en verwerken van deze data vormt snel een bottleneck voor een verwerkingssysteem. Daarom is het ontwerpen van compacte (sparse) representaties die efficiënte opslag en analyse on-the-fly mogelijk maken een grote uitdaging. Het direct toepassen van deep learning-modellen op puntenwolken is niet mogelijk omdat ze niet gestructureerd en niet geordend zijn. Vooral uitdagend is het verwerken van reeksen puntenwolken. Hoewel veel herkenningstaken profiteren van het gebruik van temporele informatie van de gemonitorde scène, is de verwerking van dergelijke dynamische puntenwolken erg moeilijk omdat ze niet worden weergegeven op een regelmatig spatio-temporeel raster. Een ander cruciaal probleem is het analyseren van onbewerkte puntenwolken zonder te hoeven vertrouwen op veel geannoteerde voorbeelden. Er is veel vraag naar dergelijke generatieve modellen. Het SPYDER- project wil deze uitdagingen oplossen door een generiek raamwerk te ontwikkelen voor generatieve en schaalbare modellen voor statische en dynamische puntenwolken.