Wir untersuchen das Problem der Extraktion genauer Korrespondenzen für die Registrierung von Punktwolken. Rezenten keypoint-freien Methoden umgehen die Detektion wiederholbarer Keypoints, die in Szenarien mit geringer Überlappung schwierig ist, und zeigen großes Potenzial für die Registrierung. Sie suchen Korrespondenzen über abgetastete Superpunkte, die anschließend auf dichte Punkte propagiert werden. Superpunkte werden anhand der Überlappung ihrer benachbarten Patche miteinander abgeglichen. Diese spärliche und lose Abstimmung erfordert kontextuelle Merkmale, die die geometrische Struktur der Punktwolken erfassen. Wir schlagen den Geometric Transformer vor, um geometrische Merkmale für eine robuste Abstimmung von Superpunkten zu lernen. Er kodiert paarweise Abstände und tripelweise Winkel, wodurch er robust gegenüber geringer Überlappung bleibt und invariant gegenüber starren Transformationen ist. Durch seine einfache Architektur erreicht er überraschend hohe Abstimmungsgenauigkeit, sodass kein RANSAC mehr für die Schätzung der Ausrichtungstransformation notwendig ist – dies führt zu einer Beschleunigung um das 100-fache. Unsere Methode verbessert das Inlier-Verhältnis um 17 bis 30 Prozentpunkte und die Registrierungserkennung um über 7 Punkte auf dem anspruchsvollen 3DLoMatch-Benchmark. Unser Code und die Modelle sind unter https://github.com/qinzheng93/GeoTransformer verfügbar.