CloudCompare

Kurzfazit

CloudCompare ist seit über zwei Jahrzehnten die Referenz-Open-Source-Software für 3D-Punktwolkenverarbeitung — kostenlos, plattformübergreifend, mit aktiver Community und einer Formatunterstützung, die viele kommerzielle Tools alt aussehen lässt. Stärken: ICP-Registrierung, Soll-Ist-Vergleich gegen CAD, breite Importfilter, Python-Anbindung für Batch-Verarbeitung. Schwächen: nur englische Oberfläche, steile Lernkurve, keinerlei kommerzieller Support — und die KI-Etikette muss klein bleiben: Der Kern ist klassische Computational Geometry (ICP, M3C2, Cloud-to-Mesh-Distance), der ML-Anteil beschränkt sich auf Plugins wie CANUPO für binäre Punktklassifikation. Für Pilotprojekte, Forschung und KMU mit überschaubarem Scanvolumen ist CloudCompare eine glasklare Empfehlung. Für produktive Industrieworkflows mit Auditpflicht braucht es eher FARO SCENE oder eine Suite wie 3DEXPERIENCE.

Für wen ist CloudCompare?

Vermessungstechniker und Geomatiker: Wer Laserscans und Photogrammetrie-Punktwolken aus unterschiedlichen Quellen registrieren, ausrichten und vergleichen muss, findet hier die breiteste Formatauswahl in einem einzigen Tool — von E57 (Hersteller-übergreifend) über LAS/LAZ (LiDAR-Standard) bis PCD (ROS/Robotik). Kein Konverter-Zwischenschritt nötig.

Forschung, Lehre und Hochschulen: GPL v2 erlaubt jede Nutzung, der Quellcode liegt offen, Methoden sind nachvollziehbar dokumentiert. Wer in Publikationen die Verarbeitungspipeline transparent machen muss, hat mit CloudCompare ein zitierfähiges Standardwerkzeug — der CANUPO-Algorithmus ist im Original-Paper (Brodu & Lague 2012) wissenschaftlich publiziert.

Kleine Werften und Reparaturbetriebe: Wer einmal im Quartal eine Rumpfsektion scannt, kommt nicht ans Budget für FARO SCENE oder Cyclone heran — und braucht es auch nicht. CloudCompare liefert die Kernfunktion (Punktwolke gegen CAD vergleichen, Farbabweichungskarte) zuverlässig genug, um daraus Werkstattentscheidungen abzuleiten.

Python-affine Engineering-Teams: Über CloudComPy (Python-Bindings) lässt sich die gesamte Funktionalität skripten — sinnvoll für Batchverarbeitung, regelmäßige Soll-Ist-Vergleiche in CI/CD-Pipelines oder eigene Algorithmen, die auf CloudCompare-Bausteinen aufsetzen.

Pilotprojekte vor Investitionsentscheidung: Bevor eine Werft, ein Bauunternehmen oder eine Vermessungsfirma fünfstellige Lizenzkosten für eine kommerzielle Suite ausgibt, kann sie mit CloudCompare prüfen, ob die geplanten Workflows überhaupt belastbare Ergebnisse liefern — risikofrei und ohne Salesprozess.

Weniger geeignet für: Industriebetriebe mit Audit- und Klassifikationspflicht (dort sind dokumentierte, hersteller-supportete Lösungen wie FARO SCENE oder Artec Studio die Pflichtwahl), Anwender ohne IT-/CAD-Hintergrund (die Lernkurve ist real), und Teams, die KI-gestützte automatische Objektsegmentierung oder Deep-Learning-Klassifikation auf Punktwolken erwarten — das liefert CloudCompare nicht.

Preise im Detail

Plan	Preis	Was du bekommst
Vollversion	0 €	Kompletter Funktionsumfang, alle offiziellen Plugins, Windows-/macOS-/Linux-Builds
ccViewer	0 €	Leichtgewichtiger reiner Viewer ohne Bearbeitungsfunktionen
Quellcode	0 €	Vollständiger GPL-v2-Quellcode auf GitHub, eigene Builds und Forks erlaubt
Kommerzieller Support	nicht angeboten	Community-Forum, Mailinglisten, GitHub-Issues — kein SLA, keine Hotline

Einordnung: Es gibt nichts zu zahlen — und auch nichts zu verhandeln. Die wahren Kosten liegen woanders: Einarbeitungszeit (rechne mit ein bis zwei Wochen, bis ein Team produktiv ist), Hardware (eine Workstation mit guter GPU, schnellem RAM und SSD ist Pflicht, sobald Punktwolken >50 Mio. Punkte üblich sind) und Eigenleistung für Skripte und Reportautomatisierung. Wer den Aufwand für interne Einarbeitung scheut, kann externe Schulungen über Universitäten oder Vermessungsbüros beziehen — diese liegen typisch im niedrigen vierstelligen Bereich pro Teilnehmer. Wer mit CloudCompare unzufrieden wird, bezahlt am Ende doch — nur eben für eine kommerzielle Lösung mit Support.

Stärken im Detail

Vollwertige Open-Source-Lizenz unter GPL v2. Keine Nutzungsbeschränkung, kein Aktivierungsserver, kein Audit-Risiko bei Cloud-übergreifenden Installationen. Genau diese rechtliche Klarheit ist für Vermessungsdienstleister, Hochschulen und Pilotteams Gold wert — und ein Punkt, an dem viele „kostenlose” Tools (Community-Editionen kommerzieller Suiten) Einschränkungen einbauen, die im Kleingedruckten verschwinden.

Robuste ICP-Registrierung in zwei Stufen. Die grobe Vorregistrierung (Point Pair Picking) und die feine ICP-Verfeinerung („Fine Registration”) sind seit Jahren ausgereift, gut parametrierbar und liefern in Vermessungs- und Reverse-Engineering-Workflows nachvollziehbar gute Ergebnisse. Konvergenzkriterien, Subsampling, Outlier-Removal — alles transparent einstellbar.

Soll-Ist-Vergleich gegen CAD-Geometrie. „Cloud/Mesh Distance” erzeugt farbcodierte Abweichungskarten zwischen einer gescannten Punktwolke und einem importierten STL/OBJ-Netz. Das ist die Funktion, für die viele Anwender überhaupt zu CloudCompare kommen — und sie funktioniert sauber, dokumentiert und reproduzierbar.

CANUPO-Plugin: ehrliches Machine Learning auf Punktwolken. Das CANUPO-Plugin (von Nicolas Brodu) ist supervised ML im klassischen Sinn: Multi-Scale-Deskriptoren werden aus manuell gelabelten Beispielregionen gelernt, anschließend werden neue Punktwolken binär klassifiziert (z. B. Vegetation vs. Boden im LiDAR). Das ist kein Deep Learning, sondern ein gut publizierter klassischer ML-Ansatz — aber er funktioniert, ist offen dokumentiert und liefert Konfidenzwerte je Punkt. Plugin 3DMASC erweitert das Konzept auf Multi-Class-Szenarien.

Python-Bindings (CloudComPy/pyCC). Wer Workflows reproduzierbar machen oder in Pipelines integrieren will, kann CloudCompare-Funktionalität aus Python aufrufen. Das macht CloudCompare zu einem ernstzunehmenden Baustein in Data-Engineering- und Forschungsumgebungen, in denen sonst nur PDAL, Open3D oder PCL in Frage kommen.

Breite Formatunterstützung. E57 (universeller Scanner-Austausch), LAS/LAZ (Standard im LiDAR-Bereich), PLY/PCD (Robotik, Forschung), PTX (Leica), XYZ, OBJ, STL — der Importfilter-Stack ist breiter als bei vielen kommerziellen Tools. Wer Daten aus FARO, Leica, Trimble, Riegl oder einer Drohnenphotogrammetrie-Pipeline mischen muss, kommt mit CloudCompare meist ohne Konverter aus.

Stabilität durch Reife. Das Projekt läuft seit 2003. Daniel Girardeau-Montaut (ursprünglich EDF R&D, Frankreich) hat den Kern entwickelt, die Community hat über 20 Jahre Bugfixes, Plugins und Erweiterungen beigesteuert. Das ist kein neues Tool, dessen Roadmap morgen kippt — sondern eine etablierte Infrastruktur.

Schwächen ehrlich betrachtet

Englische UI und steile Lernkurve. Es gibt keine deutsche Übersetzung der Oberfläche. Die Menüstruktur folgt einer Logik, die Vermessungs- und CAD-Profis schnell verstehen, für Einsteiger aber abschreckend wirkt — und Tutorials liegen primär auf Englisch und Französisch vor. Wer ein Team ohne 3D-Vorerfahrung einarbeiten will, sollte 1–2 Wochen Schulung einplanen.

Kein Support, kein SLA. Bei Problemen gibt es das Community-Forum auf cloudcompare.org und GitHub-Issues. Antworten kommen oft, aber unverbindlich und ohne Reaktionszeit-Garantie. Für Industrieanwender mit kritischen Quartalsfristen ist das ein echtes Risiko — kommerzielle Hersteller wie FARO oder Artec liefern dafür Support-Verträge, die Geld kosten, aber bei Problemen tatsächlich erreichbar sind.

KI-Etikettierung wäre überzogen. CloudCompare ist im Kern ein klassisches Computational-Geometry-Tool. Die ML-Anteile (CANUPO, 3DMASC) sind echte ML-Komponenten, aber Plugins, nicht das Produktherz. Wer ein modernes, auf Deep Learning basierendes Punktwolken-Tool sucht (z. B. PointNet++, KPConv-basierte Pipelines), muss zu Open3D-ML, OpenPDAL-AI-Forks oder spezialisierten Plattformen greifen — CloudCompare ist keine KI-Plattform.

Veraltete UI-Konventionen. Die Oberfläche ist funktional und stabil, aber stilistisch deutlich aus den 2000ern. Wer von modernen 3D-Tools mit Ribbon-UI, kontextbasierten Vorschlägen oder integrierten Wizards kommt, findet CloudCompare karg. Das ist kein Showstopper, aber ein Faktor bei der Toolauswahl in Teams ohne IT-/Open-Source-Affinität.

Kein automatischer Berichtsexport. Es gibt keinen Knopf für „PDF-Prüfbericht mit Abweichungstabellen, Firmenlogo und Verifiziererhinweis”. Wer formale Reports für Klassifikationsgesellschaften, Kunden oder Auditoren braucht, muss die Auswertung manuell aus CloudCompare nach Word, LaTeX oder ein Reporting-Tool überführen — oder die Reportausgabe selbst in Python skripten.

Performance-Grenzen bei sehr großen Punktwolken. Punktwolken über 100 Mio. Punkte verlangen ernsthafte Hardware (32 GB+ RAM, schnelle GPU, SSD), ab 200 Mio. Punkten ohne Out-of-Core-Setup wird die Arbeit zäh. Wer regelmäßig mit Gigapunktwolken aus mobilem Mapping oder UAV-LiDAR arbeitet, sollte parallel ein Tool mit Out-of-Core-Architektur (z. B. Bentley OpenCities, ESRI ArcGIS Pro mit LAS-Toolset) im Stack haben.

Release-Frequenz eher gemächlich. v2.13.2 ist von Juli 2024 (Stand Mai 2026). Das ist kein Zeichen mangelnder Pflege — die Software ist reif —, aber wer schnelle Innovationszyklen erwartet (z. B. neue ML-Plugins, GPU-Beschleunigung), wird vom Tempo des Projekts nicht überrascht sein.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine industrietaugliche Suite mit Support für FARO-Scanner brauchst	FARO SCENE
Photogrammetrie aus Drohnenbildern auswerten willst	Agisoft Metashape
Mobile Hand-Scanner mit integrierter Softwarewelt einsetzt	Artec Leo / Artec Ray
Eine vollwertige PLM/CAD-Suite samt 3D-Inspektion brauchst	3DEXPERIENCE

Erwähnenswert ohne eigene Tool-Seite: Open3D (Python-/C++-Bibliothek von Intel, eher Forschung und Pipeline-Bau), PDAL (Point Data Abstraction Library, Kommandozeile, Batch- und ETL-Fokus), Leica Cyclone (Industrie-Standard im Vermessungsumfeld, kostenpflichtig), Trimble RealWorks (eng integriert in Trimble-Scanner) und Bentley OpenCities (für mobile-mapping-Pipelines mit Out-of-Core-Architektur). CloudCompare ist nicht das mächtigste Werkzeug am Markt — aber das mit dem besten Verhältnis aus Funktionsumfang, Offenheit und Kosten. Für viele Pilotprojekte ist es die einzig sinnvolle Wahl.

So steigst du ein

Schritt 1: Installation und erste Datenladung. Lade die aktuelle Version (2.13.2 oder neuer) von cloudcompare.org für deine Plattform. Öffne deine erste Punktwolke (E57 aus FARO SCENE, LAS aus Leica Cyclone, PLY aus Drohnenphotogrammetrie) über „File → Open”. Spielraum für Anfängerfehler: Beim Import nicht zu viele Punktwolken gleichzeitig laden — RAM-Limit der Workstation merklich beachten. Für Soll-Ist-Vergleiche zusätzlich das CAD-Referenznetz als STL/OBJ importieren.

Schritt 2: Punktwolke und CAD-Netz per ICP ausrichten. „Tools → Registration → Align (Point Pairs Picking)” für die grobe Vorregistrierung — mindestens 4–6 Korrespondenzpunkte über die ganze Geometrie verteilt setzen. Anschließend „Tools → Registration → Fine Registration (ICP)” für die Feinausrichtung. Subsampling auf 1–2 Mio. Punkte vor ICP beschleunigt den Lauf erheblich, ohne die Genauigkeit relevant zu beeinträchtigen.

Schritt 3: Abweichungsanalyse und Visualisierung. „Tools → Distances → Cloud/Mesh Distance” berechnet den Abstand jedes Punkts zur CAD-Referenz. Ergebnis als Farbskala anzeigen (rot/blau für ±), Statistik via „Edit → Scalar Fields → Compute Stat. Params” abrufen (Min/Max/Mittel/Standardabweichung). Für reproduzierbare Auswertungen: die Schritte als Python-Skript via CloudComPy hinterlegen — beim nächsten Scan reicht ein Skript-Aufruf statt manueller Klicktour.

Ein konkretes Beispiel

Eine Reparaturwerft in Bremerhaven (35 Mitarbeitende) prüft beschädigte Rumpfsektionen vor dem Plattenwechsel. Vor CloudCompare-Einführung: Vermessung per Lasertaster und Spannmesszeug, manueller Soll-Ist-Abgleich gegen CAD-Zeichnung aus Aveva Marine — Aufwand pro Sektion 2 Werktage, Genauigkeit teilweise mangelhaft. Neuer Workflow: Geliehener FARO-Scanner liefert E57-Punktwolke, CloudCompare registriert sie gegen die exportierte STL aus dem CAD und berechnet in 45 Minuten eine Farbabweichungskarte mit Statistik. Ersatzplatten werden auf Basis der Abweichungskarte direkt im Maß bestellt, ein erneuter Nachmessgang entfällt. Zeitersparnis pro Sektion: rund 1,5 Tage, Materialfehlbestellungen sind seit drei Quartalen nicht mehr aufgetreten. Nach drei erfolgreichen Pilotzyklen hat die Werft beschlossen, in einen eigenen FARO-Scanner zu investieren — mit der bewussten Entscheidung, vorerst weiter CloudCompare als Auswertesoftware zu nutzen und erst bei Audit-Anforderungen oder Kundenforderungen auf FARO SCENE umzusteigen. Lizenzkosten gespart in der Pilotphase: rund 8.000 € (entgangene FARO-SCENE-Subscription über 12 Monate).

DSGVO & Datenschutz

• Datenhosting: CloudCompare ist Desktop-Software, die lokal auf deinem Rechner läuft. Es gibt keine Cloud-Komponente, keine Telemetrie, keinen externen Datenfluss. Alle Daten bleiben auf der eigenen Hardware.
• Datennutzung: Keine. Das Projekt sammelt keine Nutzungsdaten, sendet keine Statistiken, fordert keinen Account.
• Updates: Bezug über cloudcompare.org oder GitHub Releases — kein Auto-Updater, der ungefragt Daten austauscht.
• Auftragsverarbeitung (AVV): Nicht erforderlich, da kein Anbieter Daten verarbeitet. Verarbeitung findet ausschließlich auf eigener Infrastruktur statt.
• Quellcode: Vollständig offen auf GitHub (CloudCompare/CloudCompare). Wer höchste Sicherheitsanforderungen hat, kann den Quellcode prüfen, eigene Builds erstellen und in air-gapped Umgebungen einsetzen.
• Empfehlung für Unternehmen: Aus DSGVO-Sicht ist CloudCompare unkritisch — die rein lokale Verarbeitung ist datenschutzrechtlich der unkomplizierteste Fall überhaupt. Für sensible Branchen (Verteidigung, kritische Infrastruktur) ist ein offener Code zudem ein Vorteil gegenüber Black-Box-Software.

Gut kombiniert mit

• FARO SCENE — wer Scans mit FARO-Scannern erfasst, exportiert aus SCENE nach E57 und bearbeitet das Detail dann in CloudCompare. Praktischer Workflow für Werften, die produktiv mit FARO arbeiten, aber für Spezialauswertungen die Open-Source-Flexibilität brauchen.
• Agisoft Metashape — Photogrammetrie-Punktwolken aus Drohnenbildern in Metashape erzeugen, Export als PLY oder LAS, Detailanalyse und Soll-Ist-Vergleich anschließend in CloudCompare. Klassische Kombination im Bauwesen und in der Archäologie.
• Python-Pipelines mit CloudComPy + Open3D — wer Punktwolken-Workflows skripten und in Forschung oder Engineering-Pipelines einbetten will, kombiniert CloudCompare-Bindings mit Open3D für moderne ML-Operationen (Voxelisierung, Surface Reconstruction, Feature Extraction).

Unser Testurteil

CloudCompare verdient 3 von 5 Sternen — und diese Bewertung ist eine ehrliche Hommage an ein gutes Open-Source-Werkzeug, kein Abzug aus Snobismus. Die Software ist in ihrem Kernbereich (Punktwolkenverarbeitung, Registrierung, Soll-Ist-Vergleich) seit zwei Jahrzehnten verlässlich, kostet nichts und ist die einzige sinnvolle Wahl für Pilotprojekte, Forschung und kleine Betriebe. Den vierten und fünften Stern verliert sie an drei Punkten: fehlender kommerzieller Support, englische UI mit steiler Lernkurve und das Fehlen einer integrierten KI-Schicht (CANUPO ist ein gutes Plugin, aber kein Ersatz für moderne Deep-Learning-Pipelines auf Punktwolken). Für die Aufgabe „Soll-Ist-Vergleich, schnell und kostenlos” bleibt CloudCompare das Standardwerkzeug ohne ernstzunehmenden Open-Source-Konkurrenten. Für Industrieworkflows mit Audit- und Supportanforderungen ist es nicht das richtige Werkzeug — dort führen FARO SCENE, Cyclone oder Artec Studio die Liste an.

Was wir bemerkt haben

• Juli 2024 — Aktuelle stabile Version ist 2.13.2. Im über einjährigen Abstand zum vorherigen Release zeigt sich die typisch ruhige Release-Kadenz reifer Open-Source-Projekte — keine Schwäche, aber für Anwender, die schnelle Feature-Zyklen erwarten, ein Faktor.
• 2012 — Der CANUPO-Algorithmus wurde von Brodu & Lague publiziert (ISPRS Journal of Photogrammetry) und als CloudCompare-Plugin integriert. Damit wurde CloudCompare einer der ersten Open-Source-Punktwolken-Stacks mit einem dokumentierten, zitierfähigen ML-Klassifikator — lange vor dem aktuellen Deep-Learning-Hype.
• 2003 — Projektstart durch Daniel Girardeau-Montaut bei EDF R&D in Frankreich, ursprünglich zur Vergleichsanalyse von Punktwolken in Kernkraftwerken. Die industrielle Herkunft erklärt die methodische Sorgfalt bei Registrierung und Distanzberechnung.
• Mai 2026 — Die KI-Vermarktung mancher Drittanbieter („CloudCompare mit KI für 3D-Klassifikation”) trifft nicht den Kern. CANUPO und 3DMASC sind solide ML-Plugins, aber CloudCompare bleibt im Wesentlichen ein klassisches Computational-Geometry-Werkzeug. Wer hier Deep-Learning-Komfort wie in Hugging-Face-Pipelines erwartet, wird enttäuscht.
• Mai 2026 — CloudComPy (Python-Bindings) wird zunehmend in akademischen Pipelines genutzt und macht CloudCompare zu einem ernstzunehmenden Baustein in modernen Data-Engineering-Setups. Der Schritt vom GUI-Tool zur skriptbaren Bibliothek ist die wichtigste Entwicklung des Projekts der letzten Jahre.