Wir präsentieren einen Ansatz zur Lernung von Merkmalen, die die lokale Geometrie um einen Punkt in einer unstrukturierten Punktwolke darstellen. Solche Merkmale spielen eine zentrale Rolle bei der geometrischen Registrierung, die vielfältige Anwendungen in der Robotik und 3D-Vision unterstützt. Die aktuellen Standesmerkmale für unstrukturierte Punktwolken wurden manuell entwickelt, und keines kombiniert die gewünschten Eigenschaften von Präzision, Kompaktheit und Robustheit. Wir zeigen, dass Merkmale mit diesen Eigenschaften aus Daten gelernt werden können, indem tiefgreifende Netze optimiert werden, die hochdimensionale Histogramme in niedrigdimensionale euklidische Räume abbilden. Der vorgestellte Ansatz führt zu einer Familie von Merkmalen, parametrisiert durch ihre Dimension, die sowohl kompakter als auch genauer sind als existierende Deskriptoren.