Wir präsentieren Kernel Point Convolution (KPConv), ein neues Design von Punktkonvolutionen, das direkt auf Punktwolken ohne jede Zwischendarstellung operiert. Die Konvolutionsgewichte von KPConv sind durch Kernalpunkte im euklidischen Raum positioniert und werden auf die Eingangspunkte angewendet, die ihnen nahe liegen. Die Fähigkeit, eine beliebige Anzahl von Kernalpunkten zu verwenden, verleiht KPConv mehr Flexibilität als feste Gitterkonvolutionen. Zudem sind diese Positionen im Raum kontinuierlich und können vom Netzwerk gelernt werden. Daher kann KPConv erweitert werden zu deformierbaren Konvolutionen, die lernen, die Kernalpunkte der lokalen Geometrie anzupassen. Dank einer regulären Unterverteilungsstrategie ist KPConv auch effizient und robust gegenüber variierenden Dichten. Unser Netzwerk übertrifft sowohl bei komplexen Aufgaben mit deformierbaren KPConv als auch bei einfachen Aufgaben mit starrer KPConv die besten bisher bekannten Ansätze für Klassifikation und Segmentierung in mehreren Datensätzen. Wir bieten zudem Reduktionsstudien und Visualisierungen an, um das Gelernte durch KPConv zu verstehen und die beschreibende Kraft der deformierbaren KPConv zu validieren.