Wir präsentieren einen einfachen und allgemeinen Rahmen für das Merkmalslernen aus Punktwolken. Der Schlüssel zum Erfolg von Convolutional Neural Networks (CNNs) liegt im Faltungsoperator, der in der Lage ist, räumliche lokale Korrelationen in datenreichen Gitterdarstellungen (z. B. Bildern) auszunutzen. Punktwolken sind jedoch unregelmäßig und ungeordnet, weshalb eine direkte Faltung von Kernen mit den den Punkten zugeordneten Merkmalen die Forminformation verliert und gleichzeitig von der Reihenfolge der Punkte abhängt. Um diese Probleme zu lösen, schlagen wir vor, eine X-Transformation aus den Eingabepunkten zu lernen, die gleichzeitig die den Punkten zugeordneten Merkmale gewichtet und sie in eine potenziell kanonische, latente Reihenfolge permutiert. Anschließend werden typische Faltungsoperationen – elementweise Multiplikation und Summation – auf die X-transformierten Merkmale angewendet. Die vorgeschlagene Methode stellt eine Verallgemeinerung klassischer CNNs zur Merkmalsbildung aus Punktwolken dar und wird daher PointCNN genannt. Experimente zeigen, dass PointCNN auf mehreren anspruchsvollen Benchmark-Datensätzen und -Aufgaben Leistungen erreicht, die mit oder besser sind als die der aktuellen State-of-the-Art-Methoden.