In diesem Artikel stellen wir einen neuartigen, auf lokalen Beschreibern basierenden Rahmenwerk namens You Only Hypothesize Once (YOHO) für die Registrierung zweier unalignierter Punktwolken vor. Im Gegensatz zu den meisten existierenden lokalen Beschreibern, die auf einem empfindlichen lokalen Referenzsystem beruhen, um Rotationsinvarianz zu erreichen, wird die Rotationsinvarianz im vorgeschlagenen Beschreiber durch neuere Technologien des gruppenäquivalenten Merkmalslernens realisiert, was eine höhere Robustheit gegenüber Punkt-Dichte und Rauschen ermöglicht. Gleichzeitig verfügt der Beschreiber in YOHO auch über einen rotationsäquivalenten Teil, der es uns erlaubt, die Registrierung bereits anhand einer einzigen Korrespondenzhypothese zu schätzen. Diese Eigenschaft reduziert den Suchraum für zulässige Transformationen erheblich und verbessert somit sowohl die Genauigkeit als auch die Effizienz von YOHO erheblich. Umfangreiche Experimente zeigen, dass YOHO auf vier weit verbreiteten Datensätzen – den 3DMatch/3DLoMatch-Datensätzen, dem ETH-Datensatz und dem WHU-TLS-Datensatz – überlegene Leistungen erzielt, wobei deutlich weniger RANSAC-Iterationen erforderlich sind. Weitere Details finden sich auf unserer Projektseite: https://hpwang-whu.github.io/YOHO/.