Un descripteur 3D efficace doit être invariant face à différentes transformations géométriques, telles que l'échelle et la rotation, robuste aux occultations et au désordre, et capable de généraliser à différents domaines d'application. Nous présentons une méthode simple mais efficace pour apprendre des descripteurs locaux 3D généraux et distinctifs qui peuvent être utilisés pour enregistrer des nuages de points capturés dans différents domaines. Des patchs de nuages de points sont extraits, canonisés par rapport à leur cadre de référence local, puis encodés en descripteurs compacts invariants à l'échelle et à la rotation par un réseau neuronal profond invariant aux permutations des points d'entrée. Cette conception permet à nos descripteurs de généraliser entre les domaines. Nous évaluons et comparons nos descripteurs avec des descripteurs alternatifs conçus manuellement et basés sur l'apprentissage profond sur plusieurs jeux de données intérieurs et extérieurs reconstruits à l'aide de capteurs RGBD et de scanners laser. Nos descripteurs surpassent la plupart des descripteurs récents avec une marge importante en termes de généralisation, et deviennent également l'état de l'art dans les benchmarks où l'entraînement et le test sont effectués dans le même domaine.