Nous présentons Lepard, une approche basée sur l'apprentissage pour le couplage partiel de nuages de points dans des scènes rigides et déformables. Les caractéristiques clés sont les techniques suivantes qui exploitent la connaissance positionnelle 3D pour le couplage de nuages de points : 1) Une architecture qui dissocie la représentation du nuage de points en espace de caractéristiques et en espace de position 3D. 2) Une méthode d'encodage de position qui révèle explicitement les informations sur les distances relatives 3D par le produit scalaire des vecteurs. 3) Une technique de repositionnement qui modifie les positions relatives entre les nuages de points.Les études d'ablation démontrent l'efficacité des techniques mentionnées ci-dessus. Dans les cas rigides, Lepard combiné avec RANSAC et ICP montre un taux de rappel d'enregistrement d'avant-garde de 93,9 % / 71,3 % sur les benchmarks 3DMatch / 3DLoMatch. Dans les cas déformables, Lepard atteint un taux de rappel de couplage de caractéristiques non rigides supérieur à celui des travaux antérieurs de +27,1 % / +34,8 % sur notre nouveau benchmark 4DMatch / 4DLoMatch (4DMatch / 4DLoMatch).