في هذه الورقة، نقترح نموذجًا جديدًا يُدعى SpareNet (مُولِّد النقاط القائم على الأسلوب مع التمثيل العدواني) لاستكمال سحابات النقاط. أولاً، نقدّم طريقة EdgeConv ذات الانتباه القناتي، التي تستغل بكامل قدرتها البنية المحلية بالإضافة إلى الشكل العام في ميزات النقاط. ثانيًا، نلاحظ أن طريقة التجميع المستخدمة في عمليات الطي التقليدية تحد من قدرتها على إنتاج أشكال معقدة ودقيقة. مستلهمين من نجاح نموذج StyleGAN، ننظر إلى ميزة الشكل على أنها رمز أسلوب (style code) يُعدّل طبقات التطبيع أثناء عملية الطي، مما يعزز بشكل كبير قدرتها. ثالثًا، ندرك أن الرقابة الحالية على النقاط، مثل مسافة تشامفر أو مسافة ناقل الأرض، لا تعكس بدقة الجودة الإدراكية للنقاط المستعادة. لمعالجة هذه المشكلة، نقترح تحويل النقاط المستكملة إلى خرائط عمق باستخدام مُحوّل قابل للتفاضل، ثم تطبيق التدريب العدواني لتعزيز الواقعية الإدراكية من زوايا مختلفة. أظهرت التجارب الشاملة على مجموعتي بيانات ShapeNet وKITTI فعالية طريقةنا، حيث حققت أداءً كميًا متميزًا على مستوى الحد الأقصى في المجال، مع تقديم جودة بصرية متفوقة.