Wir schlagen vor, Formen als Verformung und Kombination lernfähiger elementarer 3D-Strukturen darzustellen, die durch das Training über eine Sammlung von Formen entstehen. Wir zeigen, dass die gelernten elementaren 3D-Strukturen zu deutlichen Verbesserungen bei der Generierung und dem Matching von 3D-Formen führen. Genauer gesagt präsentieren wir zwei ergänzende Ansätze für das Lernen elementarer Strukturen: (i) Patch-Verformungslernen und (ii) Punktschicht-Lernverfahren (point translation learning). Beide Ansätze können auf abstraktere Strukturen höherer Dimensionen erweitert werden, um bessere Ergebnisse zu erzielen. Wir evaluieren unsere Methode anhand zweier Aufgaben: der Rekonstruktion von ShapeNet-Objekten und der Schätzung dichter Korrespondenzen zwischen menschlichen Scans (FAUST Inter Challenge). Wir zeigen eine Verbesserung von 16 % im Vergleich zu Oberflächenverformungsansätzen bei der Formrekonstruktion und übertreffen den aktuellen Stand der Technik des FAUST Inter Challenges um 6 %.