私たちは純粋なポイントクラウド幾何学上で3次元局所記述子の非監督学習を行うためのPPF-FoldNetを提案します。既知のポイントペア特徴量に基づく折り畳み型オートエンコーディングにより、PPF-FoldNetは多くの望ましい特性を提供します：監視や感度の高い局所参照枠を必要とせず、ポイント集合の疎性を利用でき、エンドツーエンドで高速であり、強力な回転不変記述子を抽出できます。新しい特徴量可視化のおかげで、その進化を監視し解釈可能な洞察を得ることができます。私たちの広範な実験結果は、6自由度の不変性と訓練ラベルの欠如にもかかわらず、当ネットワークが標準的なベンチマークデータセットにおいて最先端の結果を達成し、回転や異なるポイント密度が存在する場合に競合他社を上回ることを示しています。PPF-FoldNetは標準的なベンチマークで9%高いリコール率を達成し、同じデータセットに回転が導入された場合には23%高いリコール率を達成します。さらに、ポイント密度が大幅に低下した場合でも35%以上のマージンを得ています。