La correspondance non supervisée de formes de nuages de points vise à obtenir des correspondances denses point à point entre des nuages de points sans paires annotées manuellement. Cependant, les humains et certains animaux présentent une symétrie bilatérale et diverses orientations, ce qui entraîne des prédictions erronées sévères des parties symétriques. De plus, le bruit du nuage de points perturbe les représentations cohérentes pour le nuage de points, réduisant ainsi la précision de la correspondance de forme. Pour résoudre ces problèmes, nous proposons un réseau auto-assemblé sensible à l'orientation, appelé SE-ORNet (Self-Ensembling ORientation-aware Network). La clé de notre approche consiste à utiliser un module d'estimation d'orientation avec un discriminateur adaptatif au domaine pour aligner les orientations des paires de nuages de points, ce qui atténue considérablement les prédictions erronées des parties symétriques. En outre, nous avons conçu un cadre auto-assemblé pour la correspondance non supervisée de formes de nuages de points. Dans ce cadre, les perturbations dues au bruit du nuage de points sont surmontées en perturbant les entrées des réseaux étudiant et enseignant avec différentes augmentations de données et en contrôlant la cohérence des prédictions. Des expériences approfondies sur des jeux de données humains et animaux montrent que notre SE-ORNet peut surpasser les méthodes actuelles d'état de l'art pour la correspondance non supervisée de formes de nuages de points.