Die Extraktion robuster und generalisierbarer 3D-Lokalmerkmale ist entscheidend für nachgeschaltete Aufgaben wie die Punktwolkenregistrierung und -rekonstruktion. Bestehende lernbasierte lokale Deskriptoren sind entweder empfindlich gegenüber Drehtransformationen oder stützen sich auf klassische handgefertigte Merkmale, die weder generalisierbar noch repräsentativ sind. In diesem Paper stellen wir eine neue, dennoch konzeptionell einfache neuronale Architektur namens SpinNet vor, die lokale Merkmale extrahiert, die rotationsinvariant sind und dennoch ausreichend informativ sind, um eine präzise Registrierung zu ermöglichen. Zunächst wird ein Spatial Point Transformer eingeführt, der die Eingabefläche in einen sorgfältig entworfenen zylindrischen Raum abbildet, wodurch eine end-to-end-Optimierung mit SO(2)-äquivarianter Darstellung ermöglicht wird. Anschließend wird ein Neural Feature Extractor eingesetzt, der leistungsstarke punktbasierte und 3D-zylindrische Faltungsneuronale Netzwerke nutzt, um einen kompakten und repräsentativen Deskriptor für die Merkmalsübereinstimmung abzuleiten. Umfangreiche Experimente an sowohl indoor- als auch outdoor-Datensätzen zeigen, dass SpinNet bestehende State-of-the-Art-Techniken deutlich übertrifft. Vor allem zeigt es die beste Generalisierungsfähigkeit in bisher nicht gesehenen Szenarien mit unterschiedlichen Sensormodalitäten. Der Quellcode ist unter https://github.com/QingyongHu/SpinNet verfügbar.