في تسجيل سحابات النقاط القائمة على تعلم الميزات، يُعد بناء التوافيق الصحيحة أمرًا بالغ الأهمية لتقدير التحويل اللاحق. ومع ذلك، لا يزال استخلاص الميزات التمييزية من سحابات النقاط يمثل تحديًا، خصوصًا عندما يكون الإدخال جزئيًا ويتكون من أسطح غير قابلة للتمييز (مثل الأسطح المستوية، الأسطح الملساء، إلخ). ونتيجة لذلك، لا تحقق نسبة التوافيق الداخلية (inlier correspondences) التي تطابق النقاط بدقة بين سحابتين نقطيتين غير مُحاذاة مستوى رضا كافٍ. مستوحى من هذا التحدي، نحن نصمم عدة تقنيات لتعزيز أداء تسجيل سحابات النقاط القائم على تعلم الميزات من خلال الاستفادة من نسبة التوافيق الداخلية: مُفكك هرمي ببنية متعددة المقاييس لتمثيل خصائص النقاط على مقاييس مختلفة، واستراتيجية تصويت متسقة للحفاظ على التوافيق المتسقة، بالإضافة إلى وحدة ترميز موجهة بالهندسة لأخذ الخصائص الهندسية بعين الاعتبار. بالاعتماد على هذه التقنيات، نُنشئ شبكتنا الموجهة بالهندسة والمتوازنة (GCNet)، ونُختبر أداء GCNet باستخدام مجموعات بيانات داخلية، خارجية، ومحايدة للكائنات (synthetic datasets). تُظهر التجارب الشاملة أن GCNet تتفوق على أحدث الطرق، وأن التقنيات المستخدمة في GCNet هي مستقلة عن النموذج (model-agnostic)، ويمكن نقلها بسهولة إلى أساليب أخرى قائمة على التعلم العميق القائمة على الميزات أو الأساليب التقليدية لتسجيل السحابات، مما يؤدي إلى تحسين كبير في الأداء. يمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/zhulf0804/NgeNet.