Les récents réseaux profonds capables de traiter directement des points dans un nuage de points, tels que PointNet, se sont imposés comme les meilleures approches pour des tâches d’apprentissage supervisé sur les nuages de points, comme la classification et la segmentation. Dans ce travail, nous proposons un nouveau décodeur auto-encodeur profond end-to-end afin de relever les défis de l’apprentissage non supervisé sur les nuages de points. Du côté encodeur, une amélioration basée sur les graphes est introduite pour renforcer les structures locales, en s’appuyant sur l’architecture PointNet. Ensuite, un nouveau décodeur fondé sur une méthode de « pliage » (folding) déforme une grille 2D canonique afin de s’ajuster à la surface 3D sous-jacente d’un nuage de points, permettant ainsi une erreur de reconstruction faible, même pour des objets présentant des détails fins. Ce décodeur proposé utilise seulement environ 7 % des paramètres d’un décodeur basé sur des réseaux de neurones entièrement connectés, tout en produisant une représentation plus discriminante, qui atteint une précision supérieure en classification par SVM linéaire par rapport aux méthodes de référence. En outre, l’architecture du décodeur proposé est théoriquement démontrée comme étant une structure générique capable de reconstruire un nuage de points arbitraire à partir d’une grille 2D. Le code source est disponible à l’adresse suivante : http://www.merl.com/research/license#FoldingNet