Die Verarbeitung von Punktwolken ist äußerst herausfordernd, da die durch irreguläre Punkte gebildeten Formen oft schwer unterscheidbar sind. Ein umfassendes Verständnis der schwierig zu erfassenden Geometrie erfordert ausreichend kontextuelle semantische Information, wobei jedoch nur wenige Arbeiten sich diesem Aspekt widmen. In dieser Arbeit präsentieren wir DensePoint, eine allgemeine Architektur zur Lernung dichter kontextueller Repräsentationen für die Verarbeitung von Punktwolken. Technisch erweitert DensePoint reguläre Gitter-CNNs auf irreguläre Punktanordnungen, indem ein verallgemeinerter Faltungsoperator eingeführt wird, der die Permutationsinvarianz der Punkte bewahrt und eine effiziente induktive Lernung lokaler Muster ermöglicht. Architektonisch lässt sich DensePoint von der dichten Verbindung (dense connection) inspirieren, um mehrstufige und mehrskalige Semantikinformationen in einer tiefen Hierarchie wiederholt zu aggregieren. Dadurch kann DensePoint kontextreiche Informationen sowie reichhaltige Semantik auf organische Weise erlangen, was seine hohe Effektivität ermöglicht. Umfassende Experimente an anspruchsvollen Benchmarks über vier unterschiedliche Aufgaben sowie detaillierte Modellanalysen bestätigen, dass DensePoint den Stand der Technik erreicht.