La détection d'objets 3D basée sur LiDAR est une tâche essentielle pour les véhicules autonomes, et les approches actuelles peinent face à des nuages de points rares et partiels, notamment pour les objets éloignés ou occlus. Dans ce papier, nous proposons une nouvelle approche en deux étapes, nommée PC-RGNN, qui aborde ces défis grâce à deux solutions spécifiques. D'une part, nous introduisons un module de complétion de nuage de points visant à restaurer des propositions de haute qualité comprenant des points denses et des vues complètes tout en préservant les structures originales. D'autre part, nous concevons un module de réseau de neurones graphes qui capture de manière exhaustive les relations entre points grâce à un mécanisme d'attention local-global ainsi qu'à une agrégation contextuelle basée sur des graphes multi-échelles, renforçant ainsi considérablement les caractéristiques encodées. Des expériences étendues sur le benchmark KITTI montrent que l'approche proposée dépasse significativement les meilleures méthodes antérieures, mettant en évidence son efficacité.