Cet article présente une méthode d’augmentation de données pour les nuages de points basée sur une interpolation entre exemples. L’augmentation de données par interpolation s’est révélée être une approche simple et efficace dans le domaine des images. Toutefois, une telle méthode de « mixup » n’est pas directement transposable aux nuages de points, car il n’existe pas de correspondance un-à-un entre les points de deux objets distincts. Dans ce travail, nous définissons l’augmentation de données entre nuages de points comme une interpolation linéaire selon le plus court chemin. À cette fin, nous introduisons PointMixup, une méthode d’interpolation qui génère de nouveaux exemples grâce à un affectation optimale de la fonction de chemin entre deux nuages de points. Nous démontrons que PointMixup permet de trouver le plus court chemin entre deux nuages de points, et que l’interpolation est à la fois invariante par affectation et linéaire. Grâce à cette définition d’interpolation, PointMixup permet d’introduire des régularisateurs puissants basés sur l’interpolation, tels que mixup et manifold mixup, dans le domaine des nuages de points. Expérimentalement, nous montrons le potentiel de PointMixup pour la classification de nuages de points, en particulier lorsque les exemples sont rares, ainsi qu’une meilleure robustesse aux bruits et aux transformations géométriques appliquées aux points. Le code source de PointMixup ainsi que les détails expérimentaux sont disponibles publiquement.