La reconstruction 3D fondée sur l’apprentissage et utilisant des représentations neuronales implicites a connu des progrès prometteurs, non seulement au niveau des objets mais également dans des scènes plus complexes. Dans cet article, nous proposons Dynamic Plane Convolutional Occupancy Networks, une nouvelle représentation implicite qui améliore davantage la qualité de la reconstruction de surfaces 3D. Les nuages de points bruités en entrée sont encodés en caractéristiques par point, puis projetés sur plusieurs plans 2D dynamiques. Un réseau entièrement connecté apprend à prédire les paramètres des plans qui décrivent le mieux les formes des objets ou des scènes. Pour exploiter davantage l’équivalence translationnelle, des réseaux de neurones convolutifs sont appliqués au traitement des caractéristiques des plans. Notre méthode obtient des performances supérieures dans la reconstruction de surfaces à partir de nuages de points non orientés, sur le jeu de données ShapeNet ainsi que sur un jeu de données de scènes intérieures. En outre, nous présentons également des observations intéressantes concernant la distribution des plans dynamiques appris.