Les nuages de points numérisés en réalité sont souvent incomplets en raison des points de vue, des occultations et du bruit. Les méthodes existantes de complétion de nuages de points ont tendance à générer des squelettes de forme globale, manquant ainsi de détails locaux fins. En outre, elles apprennent principalement une application déterministe du partiel vers le complet, tout en négligeant les relations structurelles présentes dans les objets fabriqués par l’homme. Pour relever ces défis, cette étude propose un cadre variationnel, le réseau de complétion de points variationnel relationnel (VRCNet), offrant deux propriétés remarquables : 1) Modélisation probabiliste. Plus précisément, nous proposons une architecture à double chemin permettant une modélisation probabiliste rigoureuse entre nuages partiels et complets. Un chemin utilise les nuages complets pour la reconstruction, en apprenant un VAE (auto-encodeur variationnel) sur les points. L’autre chemin génère des formes complètes à partir de nuages partiels, dont la distribution intégrée est guidée par la distribution obtenue via le chemin de reconstruction pendant l’entraînement. 2) Amélioration relationnelle. Plus précisément, nous concevons soigneusement un noyau d’attention auto-épistémique sur les points et un module de noyau sélectif sur les points afin d’exploiter les caractéristiques relationnelles entre points, ce qui affine les détails locaux conditionnellement à une complétion de base. En outre, nous proposons un nouveau jeu de données de nuages de points partiels à plusieurs vues (MVP dataset), comprenant plus de 100 000 scans de haute qualité, générant des formes 3D partielles à partir de 26 positions de caméra uniformément réparties pour chaque modèle 3D CAD. Des expériences étendues montrent que VRCNet surpasser les méthodes de pointe sur toutes les benchmarks standards de complétion de nuages de points. Notamment, VRCNet démontre une excellente généralisation et robustesse sur des scans de nuages de points réels.