3次元ビジョン分野において点群（point clouds）は広く利用されているが、ディープニューラルネットワークの学習に利用可能なデータ量は依然として限られている。データ増強（data augmentation）はデータ不足を補うための標準的手法であるものの、点群の文脈ではそれほど十分に検討されていない。本論文では、点群の増強に向けたシンプルかつ効果的な手法であるPointWOLFを提案する。この手法は、複数のアンカー点（anchor points）を中心に局所的に重み付けされた変換を用いることで、滑らかに変化する非剛体変形を生成する。滑らかな変形により、多様かつ現実的な増強サンプルが得られる。さらに、増強の最適なハイパーパラメータを手動で探索する作業を最小限に抑えるために、所望の難易度の増強サンプルを生成し、目標となる信頼度スコアを達成するように調整するAugTuneを提案する。実験の結果、本フレームワークは形状分類およびパーツセグメンテーションの両タスクにおいて一貫して性能向上を示した。特に、PointNet++を用いた場合、実世界のScanObjectNNデータセットにおいて89.7％の最新精度（state-of-the-art accuracy）を達成した。