Die Fähigkeit, mit Out-of-Distribution (OOD)-Verfälschungen und feindlichen Angriffen umzugehen, ist in realen Anwendungen von entscheidender Bedeutung, die hohe Sicherheitsanforderungen stellen. In dieser Studie entwickeln wir einen generellen Mechanismus zur Steigerung der Robustheit neuronaler Netze basierend auf einer Fokusanalyse.Neuere Untersuchungen haben das Phänomen des \textit{Überfokusierens} aufgedeckt, das zu einer Leistungsabnahme führt. Wenn das Netzwerk hauptsächlich von kleinen Eingangsbereichen beeinflusst wird, wird es weniger robust und anfällig für Fehlklassifikationen bei Rauschen und Verfälschungen.Bislang ist jedoch die Quantifizierung des Überfokusierens noch unklar und mangelt es an prägnanten Definitionen. Hier geben wir eine mathematische Definition von \textbf{Fokus}, \textbf{Überfokusieren} und \textbf{Unterfokusieren}. Diese Begriffe sind allgemein gehalten, aber in dieser Studie untersuchen wir sie speziell im Kontext von 3D-Punktwolken.Wir beobachten, dass verfälschte Datensätze zu einem verzerrten Fokusverteilungsspektrum im Vergleich zum sauberen Trainingsdatensatz führen.Wir zeigen, dass die Klassifikationsleistung abnimmt, wenn sich die Fokusverteilung von der im Trainingsprozess gelernten Verteilung entfernt.Daher schlagen wir einen parameterfreien \textbf{Refokusierungsalgorithmus} vor, der darauf abzielt, alle Verfälschungen unter dieselbe Verteilung zu bringen.Wir überprüfen unsere Ergebnisse anhand einer 3D-Zero-Shot-Klassifikationsaufgabe und erreichen den aktuellen Stand der Technik (SOTA) in robusten 3D-Klassifikationen auf dem ModelNet-C-Datensatz sowie in der Abwehr gegen shape-invariante Angriffe. Der Quellcode ist verfügbar unter: https://github.com/yossilevii100/refocusing.