Malgré l’usage intensif des nuages de points en vision 3D, les données disponibles pour l’entraînement des réseaux neuronaux profonds restent relativement limitées. Bien que l’augmentation de données soit une approche standard pour compenser cette rareté, elle a été moins explorée dans la littérature sur les nuages de points. Dans cet article, nous proposons une méthode simple et efficace d’augmentation appelée PointWOLF, spécifiquement conçue pour les nuages de points. La méthode proposée génère des déformations non rigides lisses grâce à des transformations localement pondérées centrées sur plusieurs points d’ancrage. Ces déformations lisses permettent d’obtenir des échantillons augmentés variés et réalistes. En outre, afin de réduire au minimum les efforts manuels nécessaires pour rechercher les hyperparamètres optimaux d’augmentation, nous introduisons AugTune, une méthode qui produit des échantillons augmentés de difficulté ciblée, permettant d’atteindre des scores de confiance prédéfinis. Nos expérimentations montrent que notre cadre améliore de manière cohérente les performances sur les tâches de classification de formes et de segmentation de parties. En particulier, en combinant PointNet++ avec PointWOLF, nous atteignons une précision de 89,7 %, soit l’état de l’art actuel, sur le jeu de données réel ScanObjectNN pour la classification de formes.