Wir stellen eine neue Methode zur Echtzeit-Dichtkorrespondenz zwischen Punktwolken vor, die auf strukturiertem Formaufbau basiert. Unsere Methode, die als Deep Point Correspondence (DPC) bezeichnet wird, benötigt im Vergleich zu früheren Techniken einen Bruchteil der Trainingsdaten und zeigt bessere Generalisierungsfähigkeiten. Bislang wurden zwei Hauptansätze für das Problem der dichten Korrespondenz vorgeschlagen. Der erste Ansatz ist ein spektralbasierter Ansatz, der ausgezeichnete Ergebnisse bei synthetischen Datensätzen erzielt, aber die Netzverbindung der Formen erfordert und lange Inferenzzeiten aufweist, während er in realen Szenarien instabil ist. Der zweite Ansatz ist ein räumlicher Ansatz, der ein Encoder-Decoder-Framework verwendet, um aus einer unregelmäßigen Eingabe eine geordnete Punktwolke für die Matching-Ausrichtung zu regredieren. Leider bringt der Decoder erhebliche Nachteile mit sich, da er eine große Menge an Trainingsdaten erfordert und Schwierigkeiten hat, sich gut in Kreuzvalidierungen über verschiedene Datensätze zu generalisieren. Die Neuheit von DPC liegt darin, dass es keine Decoder-Komponente besitzt. Stattdessen nutzen wir latente Ähnlichkeit und die Eingabekoordinaten selbst, um die Punktwolke zu konstruieren und die Korrespondenz zu bestimmen, wodurch wir den durch den Decoder durchgeführten Koordinatenregression ersetzen. Ausführliche Experimente zeigen, dass unser Konstruktionsverfahren im Vergleich zu aktuellen Stand-of-the-Art-Korrespondenzmethoden eine Leistungssteigerung führt. Unser Code ist öffentlich verfügbar unter https://github.com/dvirginz/DPC.