剛体変換を行った点群同士で特徴量を求め，Argmaxの近似として特徴量のSoftmaxで対応付けを推定，これらがもとの点群においてできるだけ近い点をなるようにユークリッド距離でロス関数を設計することでCycle-consistencyを考える．さらに対応関係ができるだけ一対一に近くなるよう，対応行列の列方向と行方向に正則化を与えるSinkhorn正則化を行う．

ShapeNet-Partで教師なし学習，ランダムな剛体変換・スケーリングを適用した点群同士の位置合わせを行った．Sinkhorn正則化によって学習が進むようになること，Self-Attentionの導入と法線の利用によって性能が向上していることをそれぞれ確認した．学習した特徴量を用いて，特徴点のサンプル間での転送や点群のセグメンテーションが行えることを確認した．