Dieses Papier präsentiert einen von Anfang bis Ende differenzierbaren Algorithmus zur robusten und detailtreuen Schätzung von Oberflächennormalen auf unstrukturierten Punktwolken. Wir nutzen Graph-Neuronale Netze (Graph Neural Networks), um iterativ ein adaptives anisotropes Kernfunktion zu parametrisieren, das Punktgewichte für eine gewichtete Kleinste-Quadrate-Ebeneanpassung in lokalen Nachbarschaften berechnet. Dieser Ansatz behält die Interpretierbarkeit und Effizienz traditioneller sequentieller Ebeneanpassungen bei, profitiert aber gleichzeitig von der Anpassung an die Datensatzstatistiken durch tiefes Lernen. Das Ergebnis ist ein Stand-des-Wissens-konformer Schätzer für Oberflächennormalen, der gegenüber Rauschen, Ausreißern und Variationen der Punktdichte robust ist, scharfe Merkmale durch anisotrope Kerne beibehält und Äquivarianz durch einen lokalen quaternionbasierten räumlichen Transformer erreicht. Im Gegensatz zu früheren Methoden des tiefen Lernens erfordert der vorgeschlagene Ansatz keine manuell gestalteten Merkmale oder Vorverarbeitung. Er verbessert die Stand-des-Wissens-Ergebnisse, während er mehr als zwei Größenordnungen schneller und effizienter in Bezug auf seine Parameteranzahl ist.