Das Lernen und Analysieren von 3D-Punktwolken mit tiefen neuronalen Netzen ist aufgrund der Sparsität und Irregularität der Daten herausfordernd. In dieser Arbeit stellen wir eine datengetriebene Punktwolken-Verfeinerungstechnik vor. Die Kernidee besteht darin, mehrstufige Merkmale pro Punkt zu lernen und die Punktmenge implizit im Merkmalsraum durch eine mehrzweigige Faltungseinheit zu erweitern. Das erweiterte Merkmal wird dann in eine Vielzahl von Merkmalen aufgeteilt, die anschließend in eine verfeinerte Punktmenge rekonstruiert werden. Unser Netzwerk wird auf Patchebene angewendet, wobei eine gemeinsame Verlustfunktion verwendet wird, die die verfeinerten Punkte dazu anregt, gleichmäßig verteilt auf der zugrundeliegenden Oberfläche zu bleiben. Wir führen verschiedene Experimente mit synthetischen und Scandaten durch, um unsere Methode zu evaluieren und ihre Überlegenheit gegenüber einigen Baseline-Methoden und einer optimierungsbasierten Methode zu demonstrieren. Die Ergebnisse zeigen, dass unsere verfeinerten Punkte eine bessere Gleichmäßigkeit aufweisen und näher an den zugrundeliegenden Oberflächen liegen.