Punktwolken bieten eine flexible geometrische Darstellung, die für zahlreiche Anwendungen in der Computergrafik geeignet ist; sie stellen zudem die Rohausgabe der meisten 3D-Datenerfassungsgeräte dar. Obwohl bereits seit längerer Zeit handgestaltete Merkmale für Punktwolken in der Grafik und der Bildverarbeitung vorgeschlagen wurden, weist der jüngste überwältigende Erfolg von Faltungsneuralen Netzen (CNNs) bei der Bildanalyse auf das Potenzial hin, Erkenntnisse aus dem CNN-Kontext auf die Welt der Punktwolken zu übertragen. Punktwolken verfügen inhärent über keinen topologischen Informationsgehalt; daher kann die Entwicklung eines Modells, das die Topologie wiederherstellt, die Repräsentationskraft von Punktwolken erheblich verbessern. Hierzu stellen wir ein neues neuronales Netzwerkmodul vor, das als EdgeConv bezeichnet wird und für hochwertige, auf CNNs basierende Aufgaben an Punktwolken – wie Klassifikation und Segmentierung – geeignet ist. EdgeConv arbeitet auf Graphen, die dynamisch in jeder Schicht des Netzwerks berechnet werden. Es ist differenzierbar und kann nahtlos in bestehende Architekturen integriert werden. Im Vergleich zu bestehenden Modulen, die im extrinsischen Raum operieren oder jeden Punkt unabhängig behandeln, weist EdgeConv mehrere vorteilhafte Eigenschaften auf: Es berücksichtigt lokale Nachbarschaftsinformationen; es kann mehrfach gestapelt werden, um globale Formmerkmale zu lernen; und in mehrschichtigen Systemen erfasst die Affinität im Merkmalsraum semantische Eigenschaften über potenziell große Entfernungen im ursprünglichen Embedding. Wir demonstrieren die Leistungsfähigkeit unseres Modells anhand gängiger Benchmarks wie ModelNet40, ShapeNetPart und S3DIS.