Das Greifen von Objekten stellt eine grundlegende Herausforderung in der Robotik und Computer Vision dar und ist entscheidend für die Weiterentwicklung der manipulativen Fähigkeiten von Robotern. Deformierbare Objekte wie Stoffe und Tücher stellen aufgrund ihrer flexiblen, nicht-rigid strukturierten Natur zusätzliche Schwierigkeiten dar. In dieser Arbeit stellen wir CeDiRNet-3DoF vor, ein tiefes Lernmodell zur Detektion von Greifpunkten, das sich speziell auf Stoffobjekte konzentriert. CeDiRNet-3DoF kombiniert die Regression von Zentrum und Richtung mit einem Lokalisierungsnetzwerk und erreichte den ersten Platz im Perzeptionswettbewerb der Cloth Manipulation Challenge auf der ICRA 2023. Angesichts des Mangels an standardisierten Benchmarks in der Literatur, die einen effektiven Vergleich von Methoden erschweren, präsentieren wir den ViCoS Towel Datensatz. Dieser umfangreiche Benchmark-Datensatz umfasst 8.000 reale und 12.000 synthetische Bilder und stellt eine solide Grundlage für die Schulung und Bewertung moderner datengetriebener tiefen Lernansätze dar. Ausführliche Evaluationen zeigten die Robustheit von CeDiRNet-3DoF in realen Anwendungsszenarien und dessen Überlegenheit gegenüber aktuellen State-of-the-Art-Methoden, einschließlich der neuesten Transformer-basierten Modelle. Unsere Arbeit schließt eine entscheidende Lücke und bietet eine robuste Lösung sowie einen standardisierten Benchmark für das Greifen von Stoffen in der Computer Vision und Robotik. Der Quellcode und der Datensatz sind unter folgender Adresse verfügbar: https://github.com/vicoslab/CeDiRNet-3DoF