Dieses Papier stellt ein neuronales Netzwerk zur robusten Normalenschätzung auf Punktwolken vor, das als AdaFit bezeichnet wird und in der Lage ist, mit Punktwolken umzugehen, die Rauschen und Dichteunterschiede aufweisen. Bestehende Ansätze verwenden ein Netzwerk, um punktweise Gewichte für eine gewichtete kleinste-Quadrate-Oberflächenanpassung zu lernen, um die Normalen zu schätzen. Dies hat jedoch Schwierigkeiten, in komplexen Bereichen oder bei Rauschpunkten genaue Normalen zu finden. Durch die Analyse des Schritts der gewichteten kleinsten-Quadrate-Oberflächenanpassung haben wir festgestellt, dass es schwierig ist, den Polynomgrad der Anpassungsfläche zu bestimmen und dass die Anpassungsfläche empfindlich gegenüber Ausreißern ist. Um diese Probleme anzugehen, schlagen wir eine einfache aber effektive Lösung vor, die eine zusätzliche Vorhersage des Versatzes hinzufügt, um die Qualität der Normalenschätzung zu verbessern. Darüber hinaus wurde eine neuartige Kaskadierte Skalenaggregierungsschicht (Cascaded Scale Aggregation layer) vorgeschlagen, um das Netzwerk dabei zu unterstützen, genauere punktweise Versatz- und Gewichtsvorhersagen zu treffen. Ausführliche Experimente zeigen, dass AdaFit sowohl auf dem synthetischen PCPNet-Datensatz als auch auf dem realen SceneNN-Datensatz den Stand der Technik erreicht.