Ce document présente un algorithme différentiable de bout en bout pour l'estimation robuste et préservant les détails des normales de surface sur des nuages de points non structurés. Nous utilisons des réseaux neuronaux graphiques pour paramétrer itérativement un noyau anisotrope adaptatif qui produit des poids de points pour l'ajustement pondéré par moindres carrés de plans dans les voisinages locaux. Cette approche conserve l'interprétabilité et l'efficacité des méthodes traditionnelles d'ajustement séquentiel de plans tout en bénéficiant de l'adaptation aux statistiques du jeu de données grâce à l'apprentissage profond. Cela aboutit à un estimateur de normales de surface d'avant-garde qui est robuste au bruit, aux valeurs aberrantes et aux variations de densité de points, préserve les caractéristiques nettes grâce aux noyaux anisotropes et assure l'équivariance grâce à un transformateur spatial basé sur les quaternions locaux. Contrairement aux méthodes d'apprentissage profond précédentes, l'approche proposée n'a pas besoin de fonctionnalités conçues manuellement ni de prétraitement. Elle améliore les résultats d'avant-garde tout en étant plus d'un ordre de grandeur plus rapide et plus efficace en termes de paramètres.