L'apprentissage et l'analyse de nuages de points 3D avec des réseaux profonds sont difficiles en raison de la rareté et de l'irrégularité des données. Dans cet article, nous présentons une technique d'échantillonnage de nuages de points guidée par les données. L'idée clé est d'apprendre des caractéristiques à plusieurs niveaux pour chaque point et d'étendre l'ensemble de points implicitement dans l'espace des caractéristiques via une unité de convolution multi-branches. La caractéristique étendue est ensuite divisée en un grand nombre de caractéristiques, qui sont reconstruites pour former un ensemble de points échantillonné. Notre réseau est appliqué au niveau du patch, avec une fonction de perte conjointe qui encourage les points échantillonnés à rester sur la surface sous-jacente avec une distribution uniforme. Nous menons diverses expériences utilisant des données synthétiques et des données d'acquisition pour évaluer notre méthode et démontrer sa supériorité par rapport à certaines méthodes baselines et à une méthode basée sur l'optimisation. Les résultats montrent que nos points échantillonnés présentent une meilleure uniformité et sont situés plus près des surfaces sous-jacentes.