Die lernbasierte 3D-Rekonstruktion mithilfe impliziter neuronaler Darstellungen hat nicht nur auf Objekt-Ebene, sondern auch in komplexeren Szenen vielversprechende Fortschritte gezeigt. In diesem Paper stellen wir Dynamic Plane Convolutional Occupancy Networks vor, eine neuartige implizite Darstellung, die die Qualität der 3D-Oberflächenrekonstruktion weiter verbessert. Rauschbehaftete Punktwolken werden in punktweise Merkmale kodiert, die auf mehrere 2D-Dynamik-Ebenen projiziert werden. Ein vollständig verbundenes Netzwerk lernt, diejenigen Ebenenparameter vorherzusagen, die die Formen von Objekten oder Szenen am besten beschreiben. Um die translationale Äquivarianz weiter auszunutzen, werden Faltungsneuronale Netze eingesetzt, um die Ebenenmerkmale zu verarbeiten. Unsere Methode zeigt überlegene Leistung bei der Oberflächenrekonstruktion aus orientierungsfreien Punktwolken sowohl im ShapeNet-Datensatz als auch in einem Datensatz für Innenräume. Zudem geben wir interessante Beobachtungen zur Verteilung der gelernten dynamischen Ebenen an.