Das Entfernen von Ausreißerentsprechungen ist ein entscheidender Schritt für eine erfolgreiche merkmalsbasierte Registrierung von Punktwolken. Trotz der zunehmenden Popularität von tiefen Lernmethoden in diesem Bereich hat die räumliche Konsistenz – die im Wesentlichen durch eine euklidische Transformation zwischen Punktwolken gegeben ist – in bestehenden Lernframeworks nahezu keine eigenständige Aufmerksamkeit erhalten. In diesem Artikel präsentieren wir PointDSC, ein neuartiges tiefes neuronal Netzwerk, das die räumliche Konsistenz explizit zur Ausreißerpruning von Entsprechungen integriert. Zunächst schlagen wir ein nichtlokales Merkmalsaggregationsmodul vor, das sowohl durch Merkmals- als auch durch räumliche Kohärenz gewichtet ist, um die Eingabeesprechungen zu embedden. Zweitens formulieren wir ein differenzierbares Spektralübereinstimmungsmodul, das durch paarweise räumliche Kompatibilität überwacht wird, um die Inlier-Confidence jeder Entsprechung aus den eingebetteten Merkmalen zu schätzen. Mit geringem Rechenaufwand übertrifft unsere Methode die aktuell besten handgebastelten sowie lernbasierten Ansätze zur Ausreißerentfernung auf mehreren realen Datensätzen signifikant. Außerdem demonstrieren wir ihre breite Anwendbarkeit, indem wir PointDSC mit verschiedenen 3D-lokalen Deskriptoren kombinieren.