특성 학습 기반의 포인트 클라우드 정합에서, 정확한 대응 관계 구성은 이후 변환 추정에 있어 핵심적인 역할을 한다. 그러나 입력 포인트 클라우드가 부분적으로 구성되어 있으며, 평면이나 매끄러운 표면 등 구분이 어려운 표면들로 이루어진 경우, 특히 구분 가능한 특성을 효과적으로 추출하는 것은 여전히 큰 도전 과제이다. 이로 인해, 두 개의 정렬되지 않은 포인트 클라우드 간에 정확히 일치하는 내부점(인라이어, inlier) 대응 관계의 비율은 만족스럽지 못한 수준에 머무르고 있다. 이러한 문제를 해결하고자, 우리는 인라이어 대응 관계 비율을 활용하여 특성 학습 기반 포인트 클라우드 정합 성능을 향상시키기 위한 여러 기술을 제안한다. 먼저, 다중 스케일에서 포인트 특성을 효과적으로 특성화하기 위해 피라미드 계층 구조 디코더를 도입하였으며, 일관된 대응 관계를 유지하기 위해 일관성 있는 투표 전략을 설계하였다. 또한 기하학적 특성을 반영할 수 있도록 기하학적 가이드 인코딩 모듈을 도입하였다. 위의 기술들을 기반으로, 기하학적 일관성을 고려한 네트워크(Geometry-guided Consistent Network, GCNet)를 구축하였으며, 실내, 실외 및 객체 중심의 합성 데이터셋을 활용하여 GCNet의 성능을 평가하였다. 종합적인 실험 결과, GCNet은 최신 기술 대비 뛰어난 성능을 보였으며, 제안된 기술들은 모델 독립적(모델 무관) 특성을 지니고 있어, 다른 특성 기반 딥러닝 또는 전통적인 정합 방법으로도 쉽게 적용 가능하며, 성능 향상에 큰 기여를 할 수 있음을 입증하였다. 코드는 https://github.com/zhulf0804/NgeNet 에서 공개되어 있다.