استخلاص الميزات الهندسية من المسح ثلاثي الأبعاد أو السحابات النقطية يُعد الخطوة الأولى في تطبيقات مثل التوافق (التسجيل)، وإعادة البناء، والتعقب. تتطلب الطرق الحديثة في هذا المجال حساب ميزات منخفضة المستوى كمدخلات، أو استخراج ميزات مبنية على الحزم (patch-based) ذات مجال استقبال محدود. في هذه الدراسة، نقدّم ميزات هندسية بالكامل مُحَوَّلة (fully-convolutional geometric features)، والتي تُحسب في عملية واحدة باستخدام شبكة عصبية ثلاثية الأبعاد مُحَوَّلة بالكامل. كما نقدّم أيضًا خسائر جديدة للتعلم القياسي (metric learning losses) تُحسّن بشكل كبير الأداء. تتميز الميزات الهندسية المُحَوَّلة بالكامل بأنها مدمجة، وتحتفظ بسياق فضائي واسع، وتمتد بسهولة إلى المشاهد الكبيرة. وقد قمنا بتحقق تجريبي من نهجنا على مجموعات بيانات داخلية وخارجية. وتبين أن الميزات الهندسية المُحَوَّلة بالكامل تحقق دقةً من الدرجة الأولى دون الحاجة إلى معالجة مسبقة، وهي مدمجة (بأبعاد 32)، وتنفذ بسرعة تفوق 600 مرة المنهج السابق الأكثر دقةً.