Das Lernen aus 3D-Punktwolken-Daten hat in den letzten Jahren stark an Bedeutung gewonnen, motiviert durch den Erfolg des Deep Learnings bei Bildern und die erhöhte Verfügbarkeit von 3D-Daten. In dieser Arbeit streben wir an, anisotrope Faltungsschichten zu konstruieren, die direkt auf der Oberfläche, die aus einer Punktwolke abgeleitet wird, arbeiten. Dies ist herausfordernd aufgrund des Mangels an einem globalen Koordinatensystem für tangentialen Richtungen auf Oberflächen. Wir stellen DeltaConv vor, eine Faltungsschicht, die geometrische Operatoren aus der Vektoranalysis kombiniert, um die Konstruktion anisotroper Filter auf Punktwolken zu ermöglichen. Da diese Operatoren auf Skalar- und Vektorfeldern definiert sind, teilen wir das Netzwerk in einen Skalar- und einen Vektorstrom auf, die durch die Operatoren verbunden sind. Der Vektorstrom ermöglicht es dem Netzwerk, Richtungsinformationen explizit darzustellen, zu bewerten und zu verarbeiten. Unsere Faltungen sind robust und einfach zu implementieren und erreichen oder verbessern bestehende state-of-the-art-Ansätze in mehreren Benchmarks, während sie gleichzeitig das Training und die Inferenz beschleunigen.