Wir stellen einen sphärischen Kernel für eine effiziente Graph-Faltung von 3D-Punktwolken vor. Unsere auf einer Metrik basierenden Kerne quantisieren systematisch den lokalen 3D-Raum, um charakteristische geometrische Beziehungen in den Daten zu identifizieren. Ähnlich wie bei den regulären Gitter-CNN-Kernen bewahrt der sphärische Kernel die Eigenschaften der Translationsinvarianz und Asymmetrie: Letztere gewährleistet die Gewichtsteilung zwischen ähnlichen lokalen Strukturen in den Daten, während ersteres eine fein abgestimmte geometrische Lernfähigkeit ermöglicht. Der vorgeschlagene Kernel wird in Graph-Neural-Netzwerken eingesetzt, ohne dass filterabhängige Kanten-Generierung erforderlich ist, was ihn besonders rechenzeit-effizient für große Punktwolken macht. In unseren Graph-Netzwerken ist jedem Knoten eine einzelne Punktlokation zugeordnet, und Kanten verbinden Nachbarpunkte innerhalb eines definierten Abstands. Der Graph wird im Netzwerk durch Farthest-Point-Sampling verdichtet. Analog zu herkömmlichen CNNs definieren wir Pooling- und Unpooling-Operationen für unser Netzwerk. Die Wirksamkeit des vorgeschlagenen sphärischen Kernels in Kombination mit Graph-Neural-Netzwerken für die Klassifikation von Punktwolken und die semantische Segmentierung wird anhand der Datensätze ModelNet, ShapeNet, RueMonge2014, ScanNet und S3DIS demonstriert. Der Quellcode und die trainierten Modelle sind unter https://github.com/hlei-ziyan/SPH3D-GCN verfügbar.