Motivés par l'intuition qu'il est plus facile et significatif de transformer deux nuages de points alignés l'un en l'autre plutôt qu'un couple non aligné, nous proposons CorrNet3D -- le premier cadre basé sur l'apprentissage profond non supervisé et de bout en bout -- pour favoriser l'apprentissage d'une correspondance dense entre formes 3D grâce à une reconstruction similaire à une déformation, permettant ainsi de surmonter la nécessité de données annotées. Plus précisément, CorrNet3D comprend un module d'embedding de caractéristiques profondes et deux modules innovants appelés indicateur de correspondance et déformeur symétrique. En alimentant notre modèle avec un couple de nuages de points bruts, celui-ci apprend d'abord les caractéristiques ponctuelles et les transmet à l'indicateur pour générer une matrice de correspondance apprenable utilisée pour permuter le couple d'entrée. Le déformeur symétrique, avec une perte régularisée supplémentaire, transforme les deux nuages de points permutés l'un en l'autre pour guider l'apprentissage non supervisé de la correspondance. Les expériences approfondies menées sur des jeux de données synthétiques et réels de formes 3D rigides et non rigides montrent que notre CorrNet3D surpass largement les méthodes les plus avancées actuellement disponibles, y compris celles qui prennent des maillages comme entrée. CorrNet3D est un cadre flexible dans la mesure où il peut être facilement adapté à l'apprentissage supervisé si des données annotées sont disponibles. Le code source et le modèle pré-entraîné seront disponibles à l'adresse suivante : https://github.com/ZENGYIMING-EAMON/CorrNet3D.git.