In dieser Arbeit schlagen wir das 3DFeat-Net vor, welches sowohl einen 3D-Feature-Detektor als auch einen Descriptor für die Punktewolken-Matching unter Verwendung schwacher Überwachung lernt. Im Gegensatz zu vielen bestehenden Ansätzen benötigen wir keine manuelle Annotation von Matching-Punkteclustern. Stattdessen nutzen wir Ausrichtungs- und Aufmerksamkeitsmechanismen, um Feature-Korrespondenzen aus mit GPS/INS versehenen 3D-Punktewolken zu lernen, ohne diese explizit anzugeben. Wir erstellen Trainings- und Benchmark-Datensätze für den Outdoor-Lidar-Einsatz, und Experimente zeigen, dass 3DFeat-Net auf diesen gravitationsausgerichteten Datensätzen eine Spitzenleistung erzielt.