Die Schätzung einer vollständigen 3D-Punktwolke aus einer unvollständigen ist ein zentrales Problem in zahlreichen Anwendungen der Computer Vision und Robotik. Mainstream-Methoden (z. B. PCN und TopNet) verwenden Multilayer Perceptrons (MLPs), um Punktwolken direkt zu verarbeiten, was zu Informationsverlust führen kann, da die Struktur und der Kontext von Punktwolken nicht vollständig berücksichtigt werden. Um dieses Problem zu lösen, führen wir 3D-Gitter als intermediäre Darstellungen ein, um unstrukturierte Punktwolken zu regularisieren. Daraus leiten wir ein neuartiges Gridding Residual Network (GRNet) für die Punktwolken-Vervollständigung ab. Insbesondere entwickeln wir zwei neue differenzierbare Schichten, die als Gridding- und Gridding Reverse-Schicht bezeichnet werden, um nahtlos zwischen Punktwolken und 3D-Gittern zu wechseln, ohne strukturelle Informationen zu verlieren. Zudem präsentieren wir die differenzierbare Cubic Feature Sampling-Schicht zur Extraktion von Merkmalen benachbarter Punkte, die den Kontext bewahrt. Außerdem entwerfen wir eine neue Verlustfunktion, die als Gridding Loss bezeichnet wird, um die L1-Distanz zwischen den 3D-Gittern der vorhergesagten und der ground-truth-Punktwolken zu berechnen, was zur Wiederherstellung feinster Details beiträgt. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene GRNet gegenüber aktuellen State-of-the-Art-Methoden auf den Benchmarks ShapeNet, Completion3D und KITTI überzeugend abschneidet.