点云补全旨在从部分点云中推断出缺失的几何形状。现有的基于编码器-解码器的生成模型通常通过学习形状先验的分布来重建完整的点云，但由于潜在空间嵌入的信息损失，这种方法可能导致几何细节的失真（如锐利结构或非平滑表面结构）。为解决这一问题，本文将点云补全建模为一个几何变换问题，并提出一种简单而有效的几何变换网络（Geometric Transformation Network, GTNet）。该方法利用常见三维物体中存在的重复几何结构来恢复完整形状，包含三个子网络：几何块网络（Geometric Patch Network）、结构变换网络（Structure Transformation Network）和细节优化网络（Detail Refinement Network）。具体而言，几何块网络通过迭代方式识别与缺失区域相关或相似的重复几何结构；随后，结构变换网络通过学习这些结构的空间变换（如对称性、旋转、平移和均匀缩放）来完成对应缺失部分的重建；最后，细节优化网络进行全局优化，以消除不自然的结构。大量实验表明，所提方法在ShapeNet55-34、MVP、PCN和KITTI等多个数据集上均优于当前最先进的方法。相关模型与代码将开源，地址为：https://github.com/ivislabhit/GTNet。