Diese Arbeit stellt eine Datenverstärkung für Punktwolken mittels Interpolation zwischen Beispielen vor. Die Datenverstärkung durch Interpolation hat sich im Bildbereich als einfach und effektiv erwiesen. Eine solche Mixup-Technik ist jedoch nicht direkt auf Punktwolken übertragbar, da zwischen den Punkten zweier verschiedener Objekte keine eindeutige Entsprechung besteht. In dieser Arbeit definieren wir die Datenverstärkung zwischen Punktwolken als lineare Interpolation entlang eines kürzesten Pfades. Dazu führen wir PointMixup ein, eine Interpolationsmethode, die neue Beispiele durch eine optimale Zuordnung der Pfunktion zwischen zwei Punktwolken generiert. Wir beweisen, dass unser PointMixup den kürzesten Pfad zwischen zwei Punktwolken findet und dass die Interpolation zuweisungsinvariant und linear ist. Mit dieser Definition der Interpolation ermöglicht PointMixup die Einführung starker, auf Interpolation basierender Regularisierer wie Mixup und Manifold-Mixup im Bereich der Punktwolken. Experimentell zeigen wir das Potenzial von PointMixup für die Klassifikation von Punktwolken, insbesondere dann, wenn Beispiele knapp sind, sowie eine erhöhte Robustheit gegenüber Rauschen und geometrischen Transformationen der Punkte. Der Quellcode für PointMixup sowie die experimentellen Details sind öffentlich verfügbar.