Wir stellen einen einfachen und allgemeinen Rahmen für das Merkmalslernen aus Punktwolken vor. Der Schlüssel zum Erfolg von Convolutional Neural Networks (CNNs) liegt im Faltungsoperator, der die räumlich lokalen Korrelationen in datenreichen Gitterdarstellungen (z. B. Bildern) effizient ausnutzen kann. Punktwolken sind jedoch unregelmäßig und ungeordnet, sodass eine direkte Faltung von Kernen mit den den Punkten zugeordneten Merkmalen zu einem Verlust der Forminformation und einer Empfindlichkeit gegenüber der Punktanordnung führt. Um diese Probleme zu lösen, schlagen wir vor, eine $\mathcal{X}$X-Transformation aus den Eingabepunkten zu lernen, die gleichzeitig zwei Ziele verfolgt: Erstens die Gewichtung der den Punkten zugeordneten Eingabemerkmale und zweitens die Permutation der Punkte in eine latente, potenziell kanonische Reihenfolge. Anschließend werden die typischen elementweisen Produkt- und Summenoperationen des Faltungsoperators auf die $\mathcal{X}$X-transformierten Merkmale angewendet. Die vorgeschlagene Methode stellt eine Verallgemeinerung typischer CNNs für das Merkmalslernen aus Punktwolken dar und wird daher PointCNN genannt. Experimente zeigen, dass PointCNN auf mehreren anspruchsvollen Benchmark-Datensätzen und -Aufgaben eine Leistung erreicht, die mit oder sogar besser ist als die der derzeit besten Methoden.