Nous proposons de représenter les formes comme la déformation et la combinaison de structures 3D élémentaires apprenables, qui sont des primitives issues de l'entraînement sur une collection de formes. Nous démontrons que ces structures 3D élémentaires apprises entraînent des améliorations nettes dans la génération et le couplage de formes 3D. Plus précisément, nous présentons deux approches complémentaires pour l'apprentissage de structures élémentaires : (i) l'apprentissage de la déformation de patches et (ii) l'apprentissage de la translation de points. Les deux approches peuvent être étendues à des structures abstraites de dimensions supérieures pour obtenir des résultats améliorés. Nous évaluons notre méthode sur deux tâches : la reconstruction d'objets ShapeNet et l'estimation des correspondances denses entre des scans humains (défi inter-FAUST). Nous montrons une amélioration de 16 % par rapport aux approches basées sur la déformation de surfaces pour la reconstruction de formes, et surpassons l'état de l'art du défi inter-FAUST avec un avantage de 6 %.