点云配准的成功往往依赖于通过具有区分性的三维局部特征建立稳健的稀疏匹配。尽管基于学习的三维特征描述子发展迅速，但针对三维特征检测器的学习仍鲜受关注，更遑论两者的联合学习。本文提出一种基于三维全卷积网络的点云处理方法，设计了一种新颖且实用的学习机制，能够对每个三维点密集地预测其检测得分与描述特征。特别地，我们提出一种关键点选择策略，有效克服了三维点云固有的密度不均问题；同时，设计了一种自监督检测损失函数，该损失函数在训练过程中利用实时生成的特征匹配结果进行引导。实验结果表明，所提方法在3DMatch和KITTI数据集上均取得了当前最优的配准性能，并在ETH数据集上展现出强大的泛化能力。面向实际应用，我们进一步验证：通过采用可靠的特征检测器，仅需采样较少数量的特征点即可实现高效且精确的点云对齐。代码开源