Ein effektiver 3D-Deskriptor sollte invariant gegenüber verschiedenen geometrischen Transformationen wie Skalierung und Rotation sein, robust gegenüber Verdeckungen und Unordnung und in der Lage sein, sich auf verschiedene Anwendungsbereiche zu verallgemeinern. Wir präsentieren eine einfache, aber effektive Methode, allgemeine und charakteristische 3D-lokale Deskriptoren zu lernen, die zur Registrierung von Punktwolken verwendet werden können, die in verschiedenen Domains erfasst wurden. Punktwolken-Patches werden extrahiert, bezogen auf ihren lokalen Referenzrahmen kanonisiert und durch ein tiefes neuronales Netzwerk in kompakte Deskriptoren kodiert, das invariant gegenüber Permutationen der Eingangspunkte ist. Diese Gestaltung ermöglicht es unseren Deskriptoren, sich über Domains hinweg zu verallgemeinern. Wir bewerten und vergleichen unsere Deskriptoren mit alternativen handgefertigten und deep-learning-basierten Deskriptoren an mehreren indoor- und outdoor-Datensätzen, die sowohl mit RGBD-Sensoren als auch mit Laserscannern rekonstruiert wurden. Unsere Deskriptoren übertreffen die meisten aktuellen Deskriptoren bei der Verallgemeinerung um ein großes Maß und stellen zudem den Stand der Technik dar in Benchmarks, bei denen Training und Test im gleichen Domain durchgeführt werden.