In dieser Arbeit schlagen wir 3D-Punkt-Kapselnetze vor, einen Auto-Encoder, der entwickelt wurde, um dünn besetzte 3D-Punktwolken zu verarbeiten, während die räumliche Anordnung der Eingangsdaten erhalten bleibt. 3D-Kapselnetze ergeben sich als direkte Konsequenz unserer neuen einheitlichen 3D-Auto-Encoder-Formulierung. Ihr dynamisches Routingverfahren und der ungewöhnliche eindimensionale latente Raum (2D latent space), den unser Ansatz bereitstellt, führen zu Verbesserungen bei mehreren gängigen Aufgaben im Zusammenhang mit Punktwolken, wie z.B. Objektklassifikation, Objektrekonstruktion und Teilsegmentierung, wie durch unsere umfangreichen Evaluierungen belegt. Darüber hinaus ermöglicht es neue Anwendungen wie Teilinterpolation und -ersatz.