Die unsupervised Punktewolken-Formkorrespondenz zielt darauf ab, punktweise Korrespondenzen zwischen Quell- und Ziel-Punktewolken herzustellen. Bestehende Methoden erzielen solche Korrespondenzen direkt durch die Berechnung der punktweisen Merkmalsähnlichkeit zwischen Punktewolken. Allerdings weisen deformierbare, nicht-rigide Objekte eine starke Verformbarkeit und ungewöhnliche Geometrien auf, was die direkte Herstellung von Korrespondenzen zwischen Punktewolken mit abweichenden Formen zu einer langbestehenden Herausforderung macht. Um diese Schwierigkeit zu bewältigen, schlagen wir ein unsupervised-Netzwerk namens TANet (Template-Assisted Network) zur Punktewolken-Formkorrespondenz vor, das aus einem Template-Generierungsmodul und einem Template-Unterstützungsmodul besteht. Das vorgeschlagene TANet verfügt über mehrere Vorteile: Erstens erzeugt das Template-Generierungsmodul eine Menge lernbarer Templates mit expliziter Struktur. Zweitens führen wir ein Template-Unterstützungsmodul ein, das die generierten Templates umfassend nutzt, um präzisere Formkorrespondenzen aus mehreren Perspektiven herzustellen. Umfassende Experimente auf vier menschlichen und tierischen Datensätzen zeigen, dass TANet gegenüber aktuellen State-of-the-Art-Methoden eine hervorragende Leistung erzielt.