نقترح 3DSmoothNet، وهي عملية كاملة لتطابق السحابات النقطية ثلاثية الأبعاد باستخدام هندسة التعلم العميق المزدوجة (Siamese) والطبقات المتكررة بالكامل من خلال تمثيل الكثافة الملساء المجزأة (SDV). يتم حساب هذا التمثيل لكل نقطة اهتمام وتوحيده مع الإطار المرجعي المحلي (LRF) لتحقيق ثبات الدوران. يحقق وصف السحابة النقطية ثلاثية الأبعاد لدينا، والذي يتميز بالتعلم والثبات في الدوران والحجم الصغير، نسبة استرجاع متوسطة تبلغ 94.9% على مجموعة بيانات 3DMatch القياسية، مما يتفوق على أفضل التقنيات الحالية بأكثر من 20 نقطة مئوية مع وجود فقط 32 بُعدًا للخرج. يسمح هذا البُعد المنخفض للغاية للبحث عن التطابقات في الوقت الحقيقي تقريبًا بمعدل 0.1 مللي ثانية لكل نقطة ميزة على جهاز كمبيوتر قياسي. نهجنا مستقل عن المستشعر والموقع بسبب استخدام SDV و LRF والتعلم الخاص بالمميزات الوصفية ذات المستوى العالي باستخدام الطبقات المتكررة بالكامل. نوضح أن 3DSmoothNet التي تم تدريبها فقط على مشاهد داخلية ثلاثية الأبعاد لمباني RGB-D تحقق نسبة استرجاع متوسطة تبلغ 79.0% على المسح الليزري لنباتات خارجية، وهو أداء يزيد عن ضعف أقرب منافسينا الذين يستخدمون أساليب التعلم. الرمز البرمجي والبيانات والنماذج المدربة مسبقًا متاحة عبر الإنترنت على الرابط: https://github.com/zgojcic/3DSmoothNet.