Bei der punktwolkenbasierten Registrierung auf der Grundlage von Merkmalslernen ist die korrekte Aufstellung von Entsprechungen entscheidend für die anschließende Schätzung der Transformation. Es bleibt jedoch eine Herausforderung, diskriminative Merkmale aus Punktwolken zu extrahieren, insbesondere wenn die Eingabedaten partiell sind und aus unterscheidbaren Flächen (wie Ebenen, glatten Oberflächen usw.) bestehen. Hierdurch liegt der Anteil an Inlier-Entsprechungen, die Punkte zwischen zwei nicht ausgerichteten Punktwolken präzise verbinden, unter der gewünschten Schwelle. Ausgehend von diesem Problem entwickeln wir mehrere Techniken, um die Leistung von Merkmalslernen-basierten Punktwolkenregistrierungsmethoden durch eine Verbesserung des Anteils an Inlier-Entsprechungen zu steigern: einen Pyramiden-Hierarchie-Decoder zur Charakterisierung von Punktm erkennungen auf mehreren Skalen, eine konsistente Voting-Strategie zur Aufrechterhaltung konsistenter Entsprechungen sowie ein geometriegeleitetes Kodierungsmodul, das geometrische Eigenschaften berücksichtigt. Auf Basis dieser Techniken entwickeln wir unser Geometry-guided Consistent Network (GCNet) und evaluieren es anhand von Datensätzen aus Innenräumen, Außenbereichen sowie objektorientierten synthetischen Szenarien. Umfassende Experimente zeigen, dass GCNet die derzeit fortschrittlichsten Methoden übertrifft und die eingesetzten Techniken modellunabhängig sind, sodass sie problemlos auf andere merkmalsbasierte Deep-Learning- oder traditionelle Registrierungsmethoden übertragen werden können und dabei die Leistung signifikant steigern. Der Quellcode ist unter https://github.com/zhulf0804/NgeNet verfügbar.