Die Extraktion geometrischer Merkmale aus 3D-Scans oder Punktwolken stellt den ersten Schritt bei Anwendungen wie Registrierung, Rekonstruktion und Verfolgung dar. Moderne Methoden erfordern entweder die Berechnung von niedrigstufigen Merkmalen als Eingabe oder die Extraktion patchbasierter Merkmale mit begrenztem Rezeptivfeld. In dieser Arbeit präsentieren wir vollständig konvolutionale geometrische Merkmale, die in einem einzigen Durchlauf durch ein 3D-vollständig konvolutionales Netzwerk berechnet werden. Zudem stellen wir neue Verfahren zur Metrik-Lernung vor, die die Leistung erheblich verbessern. Vollständig konvolutionale geometrische Merkmale sind kompakt, erfassen umfassende räumliche Kontextinformationen und skaliert gut auf große Szenen. Wir validieren unseren Ansatz experimentell an Datensätzen für Innen- und Außenbereiche. Die vollständig konvolutionalen geometrischen Merkmale erreichen eine state-of-the-art Genauigkeit, benötigen keine Vorverarbeitung, sind kompakt (32 Dimensionen) und sind 600-mal schneller als die präziseste bisherige Methode.