El emparejamiento de superficies es un problema desafiante de Visión por Computadora 3D normalmente abordado por características locales. Aunque en la literatura se han propuesto una gran cantidad de detectores y descriptores de características 3D, es bastante difícil identificar el par detector-descriptor más efectivo en una aplicación específica. Sin embargo, se ha demostrado en trabajos recientes que los algoritmos de aprendizaje automático pueden ser utilizados para aprender un detector 3D efectivo para cualquier descriptor 3D dado. En este documento, presentamos una evaluación de rendimiento de los pares detector-descriptor obtenidos al aprender un detector 3D para los descriptores 3D más populares. Específicamente, abordamos configuraciones experimentales relacionadas con el reconocimiento de objetos y el registro de superficies. Nuestros resultados muestran cómo emparejar un detector aprendido con descriptores aprendidos como CGF lleva a características locales efectivas al buscar el reconocimiento de objetos (por ejemplo, 0.45 de recuperación a 0.8 de precisión en el conjunto de datos UWA), mientras que no hay una brecha de rendimiento clara entre CGF y características efectivas elaboradas manualmente como SHOT para el registro de superficies (0.18 de precisión promedio para el primero frente a 0.16 para el segundo).