Neuere 3D-Registrierungsmethoden basieren überwiegend auf Lernansätzen, die entweder Korrespondenzen im Merkmalsraum identifizieren und diese matchen oder direkt die Registrierungstransformation aus den gegebenen Punktwolkenmerkmalen schätzen. Daher haben diese merkmalsbasierten Methoden Schwierigkeiten, sich auf Punktwolken zu generalisieren, die sich erheblich von den Trainingsdaten unterscheiden. Dieses Problem wird jedoch weniger offensichtlich, da die gängigen Benchmark-Definitionen keine tiefgehende Analyse ermöglichen und einen Bias gegenüber ähnlichen Datensätzen aufweisen. Daher schlagen wir eine Methodik vor, um anhand einer gegebenen Punktwolken-Datensammlung einen 3D-Registrierungs-Benchmark zu erstellen, der eine aussagekräftigere Bewertung einer Methode im Vergleich zu anderen Benchmarks ermöglicht. Unter Verwendung dieser Methodik erstellen wir einen neuartigen FAUST-partial (FP)-Benchmark basierend auf der FAUST-Datensammlung, der mehrere Schwierigkeitsgrade umfasst. Der FP-Benchmark adressiert die Grenzen aktueller Benchmarks: den Mangel an Daten und Variabilität der Parameter, und erlaubt die Bewertung der Stärken und Schwächen einer 3D-Registrierungsmethode hinsichtlich einzelner Registrierungsparameter. Mit dem neuen FP-Benchmark führen wir eine umfassende Analyse der aktuellen Stand-of-the-Art-Methoden durch und stellen fest, dass die derzeitigen Ansätze weiterhin Schwierigkeiten haben, sich auf stark abweichende, außerhalb der Trainingsdaten liegende Daten zu generalisieren. Daher schlagen wir eine einfache, merkmalslose, traditionelle 3D-Registrierungsbasismethode vor, die auf der gewichteten Kreuzkorrelation zwischen zwei gegebenen Punktwolken basiert. Unsere Methode erzielt starke Ergebnisse auf aktuellen Benchmark-Datensätzen und übertrifft dabei die meisten Deep-Learning-Methoden. Der Quellcode ist unter github.com/DavidBoja/exhaustive-grid-search verfügbar.