我々は3DSmoothNetを提案します。これは、3次元点群のマッチングを行うための完全なワークフローで、シアム型深層学習アーキテクチャと完全畳み込み層を使用し、ボクセル化された平滑化密度値（Smoothed Density Value: SDV）表現を用いています。このSDV表現は各興味点に対して計算され、局所参照枠（Local Reference Frame: LRF）に合わせて回転不変性を達成します。我々のコンパクトで学習済みの回転不変性3次元点群記述子は、3DMatchベンチマークデータセットにおいて94.9%の平均リコール率を達成しており、出力次元がわずか32であるにもかかわらず、最先进技术よりも20ポイント以上優れています。この非常に低い出力次元により、標準的なPC上で特徴点1つあたり0.1ミリ秒でのほぼリアルタイムの対応点探索が可能となります。SDV、LRFおよび完全畳み込み層による高説明力特徴量の学習により、当手法はセンサやシーンに依存せず（sensor- and scene-agnostic）、RGB-D室内シーンのみで訓練された3DSmoothNetが屋外植生のレーザースキャンに対して79.0%の平均リコール率を達成することを示しています。これは最も近い学習ベースの競合技術よりも2倍以上の性能です。コード、データおよび事前学習済みモデルはオンラインで入手可能です：https://github.com/zgojcic/3DSmoothNet。