مع تطور تقنيات المسح ثلاثي الأبعاد، أصبحت مهام الرؤية ثلاثية الأبعاد مجالًا بحثيًا شائعًا. نظرًا لكمية البيانات الكبيرة التي يتم الحصول عليها من المستشعرات، يعد التعلم غير المشرف ضروريًا لفهم واستخدام السحب النقطية دون عملية تسمية باهظة الثمن. في هذا البحث، نقترح إطار عمل جديد وبنية كودور ذات فعالية عالية تُسمى "PSG-Net" للتعلم القائم على إعادة بناء السحب النقطية. على عكس الدراسات السابقة التي استخدمت نقاط ثنائية الأبعاد ثابتة أو عشوائية، يولد إطارنا العمل خصائص نقطية تعتمد على المدخلات لمجموعة النقاط الخفية. يستخدم PSG-Net الإدخال المشفر لإنتاج الخصائص النقطية عبر وحدة توليد البذور ويستخرج خصائص أكثر غنى في مراحل متعددة مع زيادة تدريجية في الدقة من خلال تطبيق وحدة انتشار خصائص البذور بشكل تدريجي. نثبت فعالية PSG-Net تجريبيًا؛ حيث يظهر PSG-Net أداءً رائدًا في إعادة بناء السحب النقطية والتصنيف غير المشرف، ويحقق أداءً مماثلًا لطرق المواجهة في الإكمال المشرف (supervised completion).