点群補完（point cloud completion）は、不完全な3D形状の欠損部分を予測する問題である。一般的なアプローチとして、入力された不完全な形状に基づいて完全な形状を生成する方法が用いられる。しかし、点群の順序なし性（unordered nature）により、生成過程において抽出された潜在コード（latent code）によって詳細なトポロジーと構造を正確に捉えることが困難となり、高品質な3D形状の生成が劣化する。本研究では、この問題に対処するために、補完を点群の変形（deformation）プロセスとして定式化する。具体的には、地球移動者（earth mover）の挙動を模倣する新しいニューラルネットワーク、PMP-Net++を提案する。このネットワークは、入力の不完全な点群の各点を移動させることで完全な点群を生成する。その際、各点の移動経路の総距離（Point Moving Paths: PMP）が最小となるように制約を課す。したがって、PMP-Net++は点の移動距離に関する制約のもとで、各点に対して一意なPMPを予測する。このように、ネットワークは点レベルでの厳密かつ一意の対応関係を学習するため、予測される完全形状の品質が向上する。さらに、点の移動はネットワークによって学習された各点の特徴に強く依存するため、変換器（transformer）を活用した強化型表現学習ネットワークを導入し、PMP-Net++の補完性能を顕著に向上させた。広範な形状補完実験を実施した結果、従来の最先端手法に対して顕著な性能向上を示した。さらに、点群のアップサンプリング（up-sampling）への応用も検討し、PMP-Net++が点群補完およびアップサンプリングの分野において、既存の最先端手法を上回る有効性を実証した。