形状補完は、部分的な観測から物体の完全な幾何学構造を推定する問題であり、多くのビジョンやロボティクスの応用において中心的な役割を果たしています。本研究では、Point Completion Network (PCN) という新しい学習ベースの形状補完手法を提案します。既存の形状補完手法とは異なり、PCNは形状に関する構造的な仮定（例：対称性）や注釈（例：意味クラス）なしで、直接生の点群データに作用します。この手法は、細かい補完を生成しながらパラメータ数を小さく保つことができるデコーダ設計が特徴です。実験結果によると、PCNは様々なレベルの不完全さやノイズを持つ入力に対して現実的な構造を持つ密度高く完全な点群データを生成することが示されています。これには、KITTIデータセットにおけるLiDARスキャンからの自動車も含まれています。