Nous présentons Deformable PV-RCNN, un détecteur 3D d'objets basé sur les nuages de points offrant des performances élevées. Actuellement, les méthodes de raffinement des propositions utilisées par les détecteurs à deux étapes d'avant-garde peinent à s'adapter efficacement aux différentes échelles des objets, aux densités variables des nuages de points, aux déformations partielles ou au bruit ambiant. Nous proposons un module de raffinement des propositions inspiré des réseaux de convolution déformables en 2D, capable de collecter de manière adaptative des caractéristiques spécifiques à chaque instance à partir des zones où des informations pertinentes sont présentes. Nous introduisons également un mécanisme simple de gestion du contexte, permettant aux points clés de sélectionner les informations contextuelles pertinentes pour l'étape de raffinement. Nos résultats atteignent l'état de l'art sur le jeu de données KITTI.