يُعنى إكمال السحابة النقطية (Point Cloud Completion) بتوقع الجزء المفقود في الأشكال ثلاثية الأبعاد غير الكاملة. وتعتبر الاستراتيجية الشائعة هي إنشاء شكل كامل بناءً على المدخل غير الكامل. ومع ذلك، فإن الطبيعة غير المرتبة للسحابات النقطية تؤدي إلى تدهور جودة الأشكال ثلاثية الأبعاد الناتجة، نظرًا لصعوبة التقاط البنية التفصيلية والهيكلية للنقاط غير المرتبة أثناء عملية التوليد باستخدام رمز خفي مستخرج. نعالج هذه المشكلة من خلال صياغة عملية الإكمال كعملية تشوه للسحابة النقطية. وبشكل خاص، قمنا بتصميم شبكة عصبية جديدة تُسمى PMP-Net++، تُحاكي سلوك "ناقل الأرض" (Earth Mover). حيث تقوم بتحريك كل نقطة من المدخل غير الكامل بهدف الحصول على سحابة نقطية كاملة، بحيث يكون المجموع الكلي لمسافات مسارات تحريك النقاط (PMPs) أقصر ما يمكن. وبالتالي، تقوم PMP-Net++ بتوقع مسار تحريك فريد لكل نقطة وفقًا لقيود المسافات المطلوبة في التحريك. وتتعلم الشبكة علاقة مطابقة صارمة وفريدة على مستوى كل نقطة، مما يُحسّن جودة الشكل الكامل المُتنبأ به. علاوةً على ذلك، وبما أن تحريك النقاط يعتمد بشدة على الميزات الفردية للنقاط التي تتعلمها الشبكة، قمنا بتمديد الشبكة بدمج شبكة تعلم تمثيل مُعززة بمحول (Transformer-enhanced representation learning network)، والتي ساهمت بشكل كبير في تحسين أداء إكمال PMP-Net++. أجرينا تجارب شاملة في إكمال الأشكال، ونستعرض أيضًا تطبيقها في تحسين دقة السحابة النقطية (point cloud up-sampling)، ما يُظهر تحسينًا ملحوظًا لـ PMP-Net++ مقارنةً بأفضل الطرق الحالية في إكمال وتحسين دقة السحابات النقطية.