PointNet hat die Art und Weise, wie wir Punktwolken darstellen, revolutioniert. Für Klassifikations- und Segmentierungsaufgaben sind der Ansatz und seine nachfolgenden Erweiterungen Stand der Technik. Bislang blieb jedoch die erfolgreiche Anwendung von PointNet auf die Registrierung von Punktwolken unerreichbar. In dieser Arbeit argumentieren wir, dass PointNet selbst als eine lernbare "Bildgebungsfunktion" betrachtet werden kann. Folglich können klassische Visionalgorithmen zur Bildausrichtung auf dieses Problem angewendet werden – insbesondere der Algorithmus von Lucas & Kanade (LK). Unsere zentralen Innovationen stammen aus: (i) der Modifizierung des LK-Algorithmus, um die PointNet-Bildgebungsfunktion zu berücksichtigen, und (ii) dem Aufrollen von PointNet und dem LK-Algorithmus in ein einziges trainierbares rekurrentes tiefes neuronales Netzwerk. Wir beschreiben die Architektur und vergleichen ihre Leistung mit dem aktuellen Stand der Technik in gängigen Registrierungsszenarien. Die Architektur bietet einige bemerkenswerte Eigenschaften, darunter: Verallgemeinerung über Formkategorien hinweg und Recheneffizienz – dies eröffnet neue Wege für die Anwendung des Deep Learnings auf die Registrierung von Punktwolken. Der Quellcode und Videos sind unter https://github.com/hmgoforth/PointNetLK verfügbar.