Nous étudions le problème d’extraction de correspondances entre deux nuages de points destinées à l’alignement (registration). Pour la récupération de correspondances, les méthodes existantes tirent parti du fait de correspondre des points clés épars, détectés à partir de points denses, mais peinent généralement à garantir leur répétabilité. Pour résoudre ce problème, nous proposons CoFiNet – un réseau à architecture grossier-vers-fin – qui extrait des correspondances hiérarchiques du grossier au fin, sans avoir recours à la détection de points clés. À une échelle grossière, guidé par un schéma de pondération, notre modèle apprend d’abord à correspondre des nœuds sous-échantillonnés dont les points voisins présentent une surapposition plus importante, ce qui réduit considérablement l’espace de recherche pour l’étape suivante. À une échelle plus fine, les propositions de nœuds sont successivement étendues en patches composés de groupes de points accompagnés de descripteurs associés. Les correspondances entre points sont ensuite affinées à partir des zones de superposition entre patches correspondants, grâce à un module de correspondance adaptatif à la densité, capable de traiter des densités variables de points. Une évaluation étendue de CoFiNet sur des benchmarks standards, tant en intérieur qu’en extérieur, démontre notre supériorité par rapport aux méthodes existantes. En particulier, sur 3DLoMatch, où les nuages de points présentent une faible surapposition, CoFiNet dépasse significativement les approches de pointe, avec une amélioration d’au moins 5 % en Recall d’alignement, tout en utilisant au plus deux tiers du nombre de paramètres de ces méthodes.