Wir schlagen eine Methode zur Flächenanpassung für unstrukturierte 3D-Punktwolken vor. Diese Methode, DeepFit genannt, nutzt ein neuronales Netzwerk, um punktweise Gewichte für die gewichtete kleinste-Quadrate-Polynomflächenanpassung zu lernen. Die gelernten Gewichte dienen als weiche Selektion der Nachbarschaft von Flächenpunkten und vermeiden so die Skalenauswahl, die bei früheren Methoden erforderlich war. Zum Training des Netzwerks schlagen wir einen neuen Verlustfunktion zur Flächenkonsistenz vor, der die Schätzung der Punktgewichte verbessert. Die Methode ermöglicht es, Normalenvektoren und andere geometrische Eigenschaften wie Hauptkrümmungen zu extrahieren; letzere wurden während des Trainings nicht als Grundwahrheit präsentiert. Wir erzielen Stand-of-the-Art-Ergebnisse auf einem Benchmark-Datensatz für Normalschätzung und Krümmungsbestimmung, demonstrieren Robustheit gegenüber Rauschen, Ausreißern und Dichteunterschieden und zeigen ihre Anwendung bei Rauschunterdrückung.