ندرس مشكلة استخراج التوافقيات الدقيقة لتسجيل السحابات النقطية. تجنبت الطرق الحديثة التي لا تعتمد على الكاشفات المميزة (keypoint-free) كشف النقاط المميزة المتكررة، وهي مشكلة صعبة في السيناريوهات ذات التداخل المنخفض، مما يُظهر إمكانات كبيرة في التسجيل. تسعى هذه الطرق إلى إيجاد التوافقيات على نقاط فائقة مُقلّصة (downsampled superpoints)، ثم تُوزّع هذه التوافقيات على النقاط الكثيفة. تُطابق النقاط الفائقة بناءً على ما إذا كانت مناطقها المجاورة تتداخل أم لا. ويتطلب هذا النوع من التوافقيات المتباعدة والضعيفة ميزات سياقية تُمكّن من التقاط البنية الهندسية للسحابات النقطية. نقترح نموذج "Transformer الهندسي" (Geometric Transformer) لتعلم ميزات هندسية تُعزز من دقة مطابقة النقاط الفائقة. يُشفّر هذا النموذج المسافات بين أزواج النقاط والزوايا بين ثلاث نقاط، مما يجعله مقاومًا للحالات ذات التداخل المنخفض، وثابتًا تجاه التحولات الصلبة. وبفضل التصميم البسيط، يحقق دقة مطابقة مذهلة، بحيث لا يُعدّ رانساك (RANSAC) ضروريًا في تقدير التحويل المُحاذي، مما يؤدي إلى تسريع بنسبة 100 مرة. يُحسّن طريقتنا نسبة النقاط الداخلية (inlier ratio) بنسبة 17 إلى 30 نقطة مئوية، ويزيد من نسبة الاسترجاع في التسجيل (registration recall) بأكثر من 7 نقاط على معيار 3DLoMatch الصعب. يمكن الوصول إلى الكود والنماذج الخاصة بنا عبر الرابط: https://github.com/qinzheng93/GeoTransformer.