最近の3D登録手法は、主に学習ベースのアプローチであり、特徴空間内で対応関係を探索してそれらをマッチングする方法、あるいは与えられた点群特徴から直接登録変換を推定する方法に分類される。したがって、これらの特徴ベースの手法は、訓練データと著しく異なる点群に対して一般化能力に課題を抱える。この問題は、評価ベンチマークの定義に問題があるため、あまり顕在化していない。具体的には、深い分析を可能にするような明確な評価基準がなく、類似したデータに偏向した評価が行われているためである。そこで、点群データセットを前提として、他のベンチマークと比較してより情報豊かな評価を可能にする3D登録ベンチマークの構築手法を提案する。この手法を用いて、FAUSTデータセットを基盤に、複数の難易度を備えた新しい「FAUST-partial（FP）」ベンチマークを構築した。FPベンチマークは、現在のベンチマークが抱える主な限界——データ量の不足やパラメータ範囲の変動性の欠如——を解決し、1つの登録パラメータに対して、3D登録手法の強みと弱みを明確に評価することが可能となる。新しく構築したFPベンチマークを用いて、現行の最先端手法について包括的な分析を行った結果、現在の手法は極めて異なる出サンプルデータに対する一般化能力に依然として課題を抱えていることが明らかになった。この課題に対応して、2つの点群間の重み付きクロス相関に基づく、特徴を用いないシンプルな従来型3D登録ベースライン手法を提案する。本手法は、現在のベンチマークデータセットにおいて優れた性能を発揮し、多くの深層学習手法を上回っている。本研究のソースコードは、github.com/DavidBoja/exhaustive-grid-searchにて公開されている。