L’élimination des correspondances aberrantes constitue l’une des étapes cruciales pour une régistration réussie des nuages de points basée sur les caractéristiques. Malgré la popularité croissante des méthodes d’apprentissage profond dans ce domaine, la cohérence spatiale — fondamentalement établie par une transformation euclidienne entre les nuages de points — a reçu pratiquement aucune attention individuelle dans les cadres d’apprentissage existants. Dans cet article, nous proposons PointDSC, un nouveau réseau neuronal profond qui intègre explicitement la cohérence spatiale afin de filtrer les correspondances aberrantes. Premièrement, nous introduisons un module d’agrégation de caractéristiques non local, pondéré à la fois par la cohérence des caractéristiques et la cohérence spatiale, pour l’encodage des correspondances d’entrée. Deuxièmement, nous formulons un module de correspondance différentiable basé sur le spectre, supervisé par la compatibilité spatiale par paires, afin d’estimer la confiance d’adhérence de chaque correspondance à partir des caractéristiques encodées. Avec un coût de calcul modeste, notre méthode surpasse de manière significative les approches les plus avancées, tant basées sur des règles manuelles que sur l’apprentissage automatique, sur plusieurs jeux de données du monde réel. Nous démontrons également sa large applicabilité en combinant PointDSC avec différentes descripteurs locaux 3D.