L'achèvement de forme, qui consiste à estimer la géométrie complète des objets à partir d'observations partielles, se situe au cœur de nombreuses applications en vision et en robotique. Dans cette étude, nous proposons le Point Completion Network (PCN), une nouvelle approche basée sur l'apprentissage pour l'achèvement de forme. Contrairement aux méthodes existantes d'achèvement de forme, le PCN opère directement sur les nuages de points bruts sans faire aucune hypothèse structurelle (par exemple, la symétrie) ou annotation (par exemple, classe sémantique) concernant la forme sous-jacente. Il présente une conception de décodeur qui permet la génération d'achèvements fins tout en maintenant un nombre réduit de paramètres. Nos expériences montrent que le PCN produit des nuages de points denses et complets avec des structures réalistes dans les régions manquantes, même sur des entrées présentant différents niveaux d'incomplétude et de bruit, y compris des voitures issues de balayages LiDAR dans le jeu de données KITTI.