Wir schlagen Point2Cyl vor, ein überwachtes Netzwerk, das eine rohe 3D-Punktwolke in eine Reihe von Extrusionszylindern transformiert. Die Rückwärtsingenieurität von einer rohen Geometrie zu einem CAD-Modell ist eine wesentliche Aufgabe, um die Manipulation der 3D-Daten in Formbearbeitungssoftware zu ermöglichen und damit ihre Anwendungen in vielen nachgelagerten Prozessen zu erweitern. Insbesondere hat die Form von CAD-Modellen, die eine Folge von Extrusionszylindern – eine 2D-Skizze plus eine Extrusionsachse und -reichweite – und deren boolesche Kombinationen darstellen, nicht nur in der CAD-Gemeinde/-Software breite Verwendung gefunden, sondern auch eine große Ausdrucksfähigkeit von Formen gegenüber Modellen mit begrenzten primitiven Elementen (z.B. Ebenen, Kugeln und Zylinder). In dieser Arbeit stellen wir ein neuronales Netzwerk vor, das das Problem der Zerlegung in Extrusionszylinder auf geometrisch fundierte Weise löst, indem es zunächst zugrunde liegende geometrische Proxyelemente lernt. Genauer gesagt prognostiziert unser Ansatz zunächst die Segmentierung pro Punkt sowie Basis-/Zylinderhüllen-Labels und Normalen, bevor er die zugrunde liegenden Extrusionsparameter durch differenzierbare und geschlossene Formulierungen schätzt. Unsere Experimente zeigen, dass unser Ansatz auf zwei aktuellen CAD-Datensätzen, dem Fusion Gallery und DeepCAD, die beste Leistung erzielt. Darüber hinaus demonstrieren wir unseren Ansatz anhand von Rückwärtsingenieurität und Bearbeitung.