Les réseaux neuronaux implicites ont été efficacement utilisés pour la reconstruction de surfaces à partir de nuages de points. Toutefois, de nombreuses approches rencontrent des problèmes d’évolutivité, car elles encodent la fonction d’isosurface d’un objet ou d’une scène entière dans un seul vecteur latent. Pour surmonter cette limitation, certaines méthodes infèrent des vecteurs latents sur une grille 3D régulière grossière ou sur des patches 3D, puis les interpolent pour répondre aux requêtes d’occupation. En procédant ainsi, elles perdent le lien direct avec les points d’entrée échantillonnés sur la surface des objets, et répartissent de manière uniforme les informations dans l’espace, plutôt que de les concentrer là où elles sont le plus pertinentes, à savoir près de la surface. En outre, le recours à des tailles de patches fixes peut nécessiter un ajustement de discrétisation. Pour résoudre ces problèmes, nous proposons d’utiliser des convolutions sur nuages de points et de calculer des vecteurs latents à chaque point d’entrée. Nous effectuons ensuite une interpolation fondée sur l’apprentissage sur les voisins les plus proches en utilisant des poids inférés. Des expériences menées sur des jeux de données d’objets et de scènes montrent que notre approche surpasse significativement les autres méthodes sur la plupart des métriques classiques, produisant des détails plus fins et reconstruisant mieux les volumes plus fins. Le code est disponible à l’adresse suivante : https://github.com/valeoai/POCO.