نُقدِّم طريقة بسيطة ولكنها فعّالة لتعلم وصفات عميقة محلية مميزة في ثلاثة أبعاد (DIPs) يمكن استخدامها لمحاذاة السحاب النقطي دون الحاجة إلى محاذاة أولية. يتم استخراج نماذج من السحاب النقطي، ثم توحيد كل منها وفقًا لإطار المرجع المحلي المقدّر، وتُشفر إلى وصفات مدمجة غير حساسة للدوران بواسطة شبكة عصبية عميقة تعتمد على PointNet. تُظهر DIPs قدرة فعّالة على التعميم عبر مختلف أنواع الحساسات لأنها تُتعلم بشكل متكامل (end-to-end) من نقاط مُستخرَجة محليًا وعشوائيًا. وبما أن DIPs تحمل فقط معلومات هندسية محلية، فهي مقاومة للتشويش، والانسداد، والمناطق المفقودة. قمنا بتقييم DIPs ومقارنتها مع وصفات يدوية وعميقة بديلة على عدة مجموعات بيانات داخلية وخارجية تتضمن سحابًا نقطيًا تم استخلاصه باستخدام أجهزة استشعار مختلفة. تُظهر النتائج أن DIPs (i) تحقق نتائج مماثلة للحالة الراهنة (state-of-the-art) في المشاهد الداخلية ذات الألوان والعمق (مجموعة بيانات 3DMatch)، (ii) تتفوّق على الحالة الراهنة بفارق كبير في المشاهد الخارجية المستخرجة باستخدام ماسح ليزري (مجموعة بيانات ETH)، و (iii) تُظهر قدرة على التعميم على المشاهد الداخلية التي تم بناؤها باستخدام نظام Visual-SLAM في ARCore على أندرويد. رابط الكود المصدري: https://github.com/fabiopoiesi/dip.