In diesem Artikel stellen wir einen neuartigen, stilbasierten Punktwolken-Generator mit adversarischer Darstellung (SpareNet) für die Vervollständigung von Punktwolken vor. Zunächst führen wir den kanal-attentiven EdgeConv ein, um sowohl lokale Strukturen als auch die globale Form in den Punktefunktionen vollständig auszunutzen. Zweitens stellen wir fest, dass die herkömmliche Verkettungsmethode bei klassischen Folding-Operationen das Potenzial zur Generierung komplexer und treuer Formen einschränkt. Inspiriert durch den Erfolg von StyleGAN betrachten wir die Formmerkmale als Stilcode, der die Normalisierungsschichten während des Folding-Prozesses moduliert, was dessen Fähigkeiten erheblich steigert. Drittens erkennen wir, dass herkömmliche Punktsupervisionen, wie die Chamfer-Distanz oder die Earth Mover’s Distance, die perceptuelle Qualität der rekonstruierten Punkte nicht zuverlässig widerspiegeln. Um dies zu beheben, schlagen wir vor, die vervollständigten Punkte mittels eines differenzierbaren Renderers in Tiefenkarten zu projizieren und adversarische Trainingsstrategien einzusetzen, um die perceptuelle Realität unter verschiedenen Blickwinkeln zu fördern. Umfassende Experimente an ShapeNet und KITTI belegen die Wirksamkeit unseres Ansatzes, der sowohl hervorragende quantitative Ergebnisse erzielt als auch eine überlegene visuelle Qualität bietet.