Die Formvervollständigung, das Problem der Schätzung der vollständigen Geometrie von Objekten aus teilweisen Beobachtungen, steht im Zentrum vieler Anwendungen im Bereich Vision und Robotik. In dieser Arbeit schlagen wir das Point Completion Network (PCN) vor, einen neuen lernbasierten Ansatz für die Formvervollständigung. Im Gegensatz zu bestehenden Methoden zur Formvervollständigung arbeitet PCN direkt mit rohen Punktwolken, ohne irgendeine strukturelle Annahme (z.B. Symmetrie) oder Annotation (z.B. semantische Klasse) über die zugrunde liegende Form zu machen. Es zeichnet sich durch eine Dekodierer-Design, das die Erzeugung feingranularer Vervollständigungen ermöglicht, während gleichzeitig eine geringe Anzahl von Parametern aufrechterhalten wird. Unsere Experimente zeigen, dass PCN dichte, vollständige Punktwolken mit realistischen Strukturen in den fehlenden Bereichen erzeugt, auch bei Eingaben mit verschiedenen Graden von Unvollständigkeit und Rauschen, einschließlich Autos aus LiDAR-Aufnahmen im KITTI-Datensatz.