L’estimation du nuage de points 3D complet à partir d’un nuage incomplet constitue un problème fondamental dans de nombreuses applications de vision et de robotique. Les méthodes courantes (par exemple PCN et TopNet) utilisent des perceptrons multicouches (MLP) pour traiter directement les nuages de points, ce qui peut entraîner une perte de détails, car les structures et le contexte des nuages de points ne sont pas pleinement pris en compte. Pour résoudre ce problème, nous introduisons les grilles 3D comme représentations intermédiaires afin de régulariser les nuages de points non ordonnés. Nous proposons donc un nouveau réseau résiduel basé sur la grille (GRNet) pour la complétion de nuages de points. Plus précisément, nous avons conçu deux nouvelles couches différentiables, nommées Gridding et Gridding Reverse, permettant de passer de manière réversible entre les nuages de points et les grilles 3D sans perte d’information structurelle. Nous introduisons également une nouvelle couche différentiable, appelée Échantillonnage de caractéristiques cubiques, pour extraire les caractéristiques des points voisins, préservant ainsi les informations contextuelles. En outre, nous avons conçu une nouvelle fonction de perte, nommée Gridding Loss, qui calcule la distance L1 entre les grilles 3D des nuages prédits et les nuages de vérité terrain, aidant ainsi à restaurer les détails fins. Les résultats expérimentaux montrent que le GRNet proposé se distingue favorablement des méthodes de pointe sur les benchmarks ShapeNet, Completion3D et KITTI.