Ces dernières années ont vu une augmentation significative de l'attention portée à la tâche d'interpolation en vision par ordinateur. Bien que les progrès dans l'interpolation vidéo aient été considérables, l'interpolation des nuages de points reste insuffisamment explorée. Par ailleurs, l'existence de nombreux mouvements non linéaires et importants dans des scénarios réels rend la tâche d'interpolation des nuages de points encore plus complexe. À la lumière de ces problèmes, nous présentons NeuralPCI : un champ neuronal spatio-temporel 4D de bout en bout pour l'interpolation de nuages de points 3D, qui intègre implicitement les informations multi-images afin de gérer les mouvements non linéaires importants tant pour les scénarios intérieurs que pour ceux extérieurs. De plus, nous avons construit un nouveau jeu de données d'interpolation multi-images des nuages de points appelé NL-Drive, destiné aux mouvements non linéaires importants dans les scènes d'autonomie routière, afin de mieux démontrer la supériorité de notre méthode. Finalement, NeuralPCI atteint des performances sans égales sur les jeux de données DHB (Dynamic Human Bodies) et NL-Drive. Au-delà de la tâche d'interpolation, notre méthode peut être naturellement étendue à l'extrapolation des nuages de points, au morphing et à l'autolabelisation, ce qui témoigne d'un potentiel considérable dans d'autres domaines. Les codes sources sont disponibles à l'adresse suivante : https://github.com/ispc-lab/NeuralPCI.