تطابق الخصائص الهندسية المحلية في صور العمق الحقيقية هو مهمة صعبة بسبب الطبيعة الضوضائية والدقة المنخفضة ونقص البيانات في مسحات 3D. تحد هذه الصعوبات من أداء الطرق الحالية الرائدة، والتي تعتمد عادةً على التوزيعات التكرارية للخصائص الهندسية. في هذا البحث، نقدم 3DMatch، وهو نموذج قائم على البيانات يتعلم وصفاء شريحة حجمية محلية لتأسيس تطابقات بين بيانات 3D جزئية. لجمع بيانات التدريب لنموذجنا، نقترح طريقة تعلم خصائص ذاتيًا تستفيد من الملايين من علامات التطابق الموجودة في إعادة بناء الصور RGB-D الحالية. تظهر التجارب أن وصفاءنا قادر ليس فقط على مطابقة الهندسة المحلية في مشاهد جديدة لإعادة البناء، ولكن أيضًا على التعميم إلى مهام مختلفة ومقياسات فضائية (مثل تنظيم نماذج الأشياء على مستوى الحالة للمشاركة في تحدي اختيار أمازون، وتطابق سطح الشبكة). تبين النتائج أن 3DMatch يتفوق بشكل مستمر على باقي الطرق الرائدة بمقدار كبير. يمكن الوصول إلى الكود والبيانات والمعايير والنماذج المدربة مسبقًا عبر الإنترنت على الرابط http://3dmatch.cs.princeton.edu