Nous étudions le problème de l'extraction de correspondances précises pour le recalage de nuages de points. Les méthodes récentes sans points clés évitent la détection de points clés répétitifs, qui est difficile dans les scénarios à faible chevauchement, et montrent un grand potentiel pour le recalage. Elles cherchent des correspondances sur des superpoints découpés (downsampled superpoints), qui sont ensuite propagés vers les points denses. Les superpoints sont appariés en fonction de la surprenance de leurs voisinages locaux. Ce type d'appariement sparse et lâche nécessite des caractéristiques contextuelles capables de capturer la structure géométrique des nuages de points. Nous proposons GeoTransformer, un modèle permettant d'apprendre des caractéristiques géométriques robustes pour l'appariement des superpoints. Il encode les distances entre paires de points et les angles entre triplets de points, ce qui le rend robuste aux cas à faible chevauchement et invariant aux transformations rigides. Grâce à sa conception simple, il atteint une précision d'appariement étonnamment élevée, de sorte qu’aucun algorithme RANSAC n’est nécessaire pour estimer la transformation d’alignement, entraînant une accélération de 100 fois. Notre méthode améliore le taux de points inliers de 17 à 30 points de pourcentage, et le taux de rappel du recalage de plus de 7 points sur le défi exigeant 3DLoMatch. Le code et les modèles sont disponibles à l’adresse suivante : https://github.com/qinzheng93/GeoTransformer.