不完全な3次元点群から完全な3次元点群を推定することは、視覚およびロボティクス分野における多くの応用において重要な課題である。主流の手法（例：PCNやTopNet）は、マルチレイヤーパーセプトロン（MLP）を用いて点群を直接処理するが、このアプローチは点群の構造的特徴や文脈情報を十分に考慮しないため、細部情報の損失を引き起こす可能性がある。この問題を解決するために、無秩序な点群を規則化するための3次元グリッドを中間表現として導入する。本研究では、点群と3次元グリッドの間で構造情報を損なわずに変換可能な、2つの新しい微分可能なレイヤー「グリッディング（Gridding）」および「グリッディングリバース（Gridding Reverse）」を提案する。さらに、隣接点の特徴を抽出する微分可能な立方体特徴サンプリング（Cubic Feature Sampling）レイヤーを導入し、文脈情報を保持する。また、予測点群と真値点群の3次元グリッド間のL1距離を計算する新たな損失関数「グリッディング損失（Gridding Loss）」を設計した。この損失関数は細部の復元に有効である。実験結果から、ShapeNet、Completion3D、KITTIの各ベンチマークにおいて、提案手法GRNetは最先端の手法と比較しても優れた性能を示した。