Nous présentons une nouvelle méthode pour la détection non supervisée d'anomalies géométriques dans des nuages de points 3D à haute résolution. Plus particulièrement, nous proposons une adaptation du cadre établi de détection d'anomalies par apprentissage par étudiant-enseignant à trois dimensions. Un réseau d'étudiant est formé pour correspondre à la sortie d'un réseau d'enseignant préformé sur des nuages de points exempts d'anomalies. Lorsqu'il est appliqué aux données de test, les erreurs de régression entre l'enseignant et l'étudiant permettent une localisation fiable des structures anormales. Pour construire un réseau d'enseignant expressif qui extrait des descripteurs géométriques locaux denses, nous introduisons une nouvelle stratégie de préformation auto-supervisée. L'enseignant est formé en reconstruisant les champs récepteurs locaux et n'a pas besoin d'annotations. Des expériences approfondies sur le jeu de données complet MVTec 3D Anomaly Detection mettent en lumière l'efficacité de notre approche, qui surpass largement la méthode suivante la plus performante. Les études ablatives montrent que notre approche répond aux exigences des applications pratiques en termes de performance, temps d'exécution et consommation mémoire.