Trotz der umfassenden Verwendung von Punktwolken in der 3D-Vision stehen für die Schulung tiefer neuronaler Netze vergleichsweise geringe Datenmengen zur Verfügung. Obwohl Datenaugmentation ein etablierter Ansatz zur Kompensation des Datenscarcity-Problems ist, wurde sie in der Literatur zu Punktwolken bisher weniger untersucht. In diesem Paper stellen wir eine einfache und effektive Augmentationstechnik namens PointWOLF für Punktwolken vor. Der vorgeschlagene Ansatz erzeugt glatt verlaufende, nicht-rigide Deformationen durch lokal gewichtete Transformationen, die um mehrere Ankerpunkte zentriert sind. Die glatten Deformationen ermöglichen vielfältige und realistische Augmentierungen. Darüber hinaus präsentieren wir AugTune, um den manuellen Aufwand zur Suche nach optimalen Hyperparametern für die Augmentation zu minimieren. AugTune generiert dabei augmentierte Proben mit gewünschter Schwierigkeitsstufe, die gezielte Konfidenzscore erzielen. Unsere Experimente zeigen, dass unser Framework die Leistung sowohl bei der Formklassifikation als auch bei der Teilsegmentierung konsistent verbessert. Insbesondere erreicht PointWOLF mit PointNet++ eine state-of-the-art-Genauigkeit von 89,7 % bei der Formklassifikation auf dem realen Datensatz ScanObjectNN.