Wir schlagen eine neuartige Normalen-Schätzmethode vor, die HSurf-Net genannt wird. Diese Methode kann Normalen aus Punktwolken mit Rauschen und Dichtevariationen genau vorhersagen. Vorherige Methoden konzentrierten sich darauf, Punktgewichte zu lernen, um Nachbarschaften in eine geometrische Oberfläche zu fitten, die durch eine Polynomfunktion mit vorgegebenem Grad approximiert wird. Auf dieser Grundlage werden die Normalen geschätzt. Allerdings leiden explizite Oberflächenanpassungen an Rohdaten von Punktwolken unter Überanpassung oder Unteranpassung, die durch unangemessene Polynomgrade und Ausreißer verursacht werden. Dies begrenzt die Leistung der existierenden Methoden erheblich. Um diese Probleme zu lösen, führen wir Hyper-Oberflächen-Anpassung ein, um Hyper-Oberflächen implizit zu lernen. Diese sind durch mehrschichtige Wahrnehmungsschichten (Multi-Layer Perceptron, MLP) repräsentiert, die Punkteigenschaften als Eingabe verwenden und Oberflächenmuster in einem hochdimensionalen Merkmalsraum als Ausgabe liefern. Wir stellen ein neuartiges Raumtransformationsmodul vor, das aus einer Folge lokaler Aggregierungsschichten und globaler Verschiebungsschichten besteht, um einen optimalen Merkmalsraum zu lernen. Zudem führen wir ein Modul zur relativen Positionscodierung ein, um Punktwolken effektiv in den gelernten Merkmalsraum zu transformieren. Unser Modell lernt Hyper-Oberflächen aus rauscharmen Eigenschaften und prognostiziert direkt Normalenvektoren. Die Gewichte des MLPs und die Modulparameter optimieren wir gemeinsam datengesteuert, sodass das Modell adaptive Muster für verschiedene Punkte findet. Experimentelle Ergebnisse zeigen, dass unser HSurf-Net auf synthetischen Formdatensätzen sowie auf realweltlichen Indoor- und Outdoor-Szene-Datensätzen den Stand der Technik erreicht. Der Quellcode, die Daten und die vortrainierten Modelle sind öffentlich verfügbar.