PointNet a révolutionné la manière dont nous concevons la représentation des nuages de points. Pour les tâches de classification et de segmentation, cette approche et ses extensions ultérieures sont considérées comme étant à l'état de l'art. Jusqu'à présent, l'application réussie de PointNet au problème d'enregistrement des nuages de points est restée énigmatique. Dans cet article, nous soutenons que PointNet peut être considéré comme une fonction d'"imagerie" apprenable. En conséquence, les algorithmes classiques de vision pour l'alignement d'images peuvent être appliqués à ce problème - en particulier l'algorithme de Lucas & Kanade (LK). Nos innovations centrales proviennent de : (i) la façon dont nous modifions l'algorithme LK pour accommoder la fonction d'imagerie PointNet, et (ii) le déroulement de PointNet et de l'algorithme LK dans un seul réseau neuronal profond récurrent entraînable. Nous décrivons l'architecture et comparons ses performances avec celles de l'état de l'art dans des scénarios courants d'enregistrement. Cette architecture offre certaines propriétés remarquables, notamment : une généralisation entre les catégories de formes et une efficacité computationnelle - ouvrant ainsi de nouvelles voies d'exploration pour l'application de l'apprentissage profond à l'enregistrement des nuages de points. Le code source et les vidéos sont disponibles sur https://github.com/hmgoforth/PointNetLK.