Die Normalenschätzung für unstrukturierte Punktwolken ist eine wichtige Aufgabe im Bereich der 3D-Bildverarbeitung. Aktuelle Methoden erzielen ermutigende Ergebnisse, indem sie lokale Bereiche auf Normalvektoren abbilden oder das lernbasierte Anpassen lokaler Flächen mit neuronalen Netzen durchführen. Allerdings verallgemeinern diese Methoden nicht gut auf unbekannte Szenarien und sind empfindlich gegenüber Parametereinstellungen. Um diese Probleme zu lösen, schlagen wir eine implizite Funktion vor, die ein Winkelfeld um den Normalenvektor jedes Punktes im sphärischen Koordinatensystem lernt. Diese Methode wird als Neural Angle Fields (NeAF) bezeichnet. Anstatt den Normalenvektor eines Eingabepunktes direkt vorherzusagen, prognostizieren wir den Winkelversatz zwischen dem wahren Normalenvektor und einem zufällig ausgewählten Abfrage-Normalenvektor. Diese Strategie zwingt das Netzwerk, eine größere Vielfalt von Beispielen zu betrachten, was zu einer höheren Vorhersagegenauigkeit in robusterer Weise führt. Um während der Inferenz die Normalenvektoren aus den gelernten Winkelfeldern vorherzusagen, ziehen wir zufällig Abfragevektoren in einem Einheitssphärenraum und wählen die Vektoren mit den kleinsten Winkelwerten als die vorhergesagten Normalenvektoren aus. Um das durch NeAF gelernte Priori weiter zu nutzen, schlagen wir vor, die vorhergesagten Normalenvektoren durch Minimierung der Winkelversätze zu verfeinern. Die experimentellen Ergebnisse sowohl mit synthetischen Daten als auch mit realen Scans zeigen erhebliche Verbesserungen im Vergleich zum Stand der Technik unter weit verbreiteten Benchmarks.