Trotz der jüngsten Fortschritte bei der Klassifikation von 3D-Punktwolken mittels tiefer CNNs bleiben große geometrische Transformationen wie Drehung und Translation weiterhin herausfordernd und beeinträchtigen die endgültige Klassifikationsleistung. Um dieser Herausforderung zu begegnen, schlagen wir das Geometry Sharing Network (GS-Net) vor, das effektiv Punktbeschreibungen mit ganzheitlichem Kontext lernt, um die Robustheit gegenüber geometrischen Transformationen zu erhöhen. Im Gegensatz zu herkömmlichen 3D-PunktcNNs, die Faltung auf benachbarte Punkte anwenden, kann GS-Net Punktmerkmale auf eine globalere Weise aggregieren. Insbesondere besteht GS-Net aus Geometry Similarity Connection (GSC)-Modulen, die den Eigen-Graph nutzen, um entfernte Punkte mit ähnlichen und relevanten geometrischen Informationen zu gruppieren, und Merkmale sowohl von nächstgelegenen Nachbarn im euklidischen Raum als auch im Eigenwertraum aggregieren. Diese Architektur ermöglicht es GS-Net, sowohl lokale als auch ganzheitliche geometrische Merkmale wie Symmetrie, Krümmung, Konvexität und Connectivity effizient zu erfassen. Theoretisch zeigen wir, dass die nächsten Nachbarn eines Punkts im Eigenwertraum invariant gegenüber Drehung und Translation sind. Wir führen umfangreiche Experimente auf öffentlichen Datensätzen wie ModelNet40 und ShapeNet Part durch. Die Experimente belegen, dass GS-Net auf den wichtigsten Datensätzen die bisher beste Leistung erzielt – 93,3 % auf ModelNet40 – und darüber hinaus robuster gegenüber geometrischen Transformationen ist.