Dans cet article, nous proposons 3DFeat-Net, un réseau qui apprend à la fois un détecteur et un descripteur de caractéristiques 3D pour le couplage de nuages de points en utilisant une supervision faible. Contrairement à de nombreuses approches existantes, nous n'avons pas besoin d'annotations manuelles de clusters de points correspondants. Au lieu de cela, nous exploitons les mécanismes d'alignement et d'attention pour apprendre les correspondances de caractéristiques à partir de nuages de points 3D étiquetés par GPS/INS, sans les spécifier explicitement. Nous créons des ensembles de données Lidar extérieurs pour l'entraînement et la validation, et les expériences montrent que 3DFeat-Net obtient des performances d'état de l'art sur ces ensembles de données alignés gravitationnellement.