Punktwolken, die in realen Anwendungen erfasst werden, sind oft unvollständig aufgrund der begrenzten Sensorauflösung, der eingeschränkten Sichtweite und Verdeckungseffekten. Daher stellt die Rekonstruktion vollständiger Punktwolken aus partiellen Daten eine unverzichtbare Aufgabe in vielen praktischen Anwendungen dar. In diesem Artikel präsentieren wir eine neue Methode, die die Aufgabe der Punktwolken-Vervollständigung als ein Set-zu-Set-Übersetzungsproblem formuliert, und entwickeln ein neues Modell namens PoinTr, das eine Transformer-Encoder-Decoder-Architektur für die Punktwolken-Vervollständigung nutzt. Durch die Darstellung der Punktwolke als eine Menge ungeordneter Punktgruppen mit Positions-Einbettungen wandeln wir die Punktwolke in eine Folge von Punkt-Proxys um und nutzen Transformer zur Generierung der Punktwolke. Um den Transformer zu ermöglichen, die induktiven Vorteile hinsichtlich der 3D-geometrischen Strukturen von Punktwolken besser auszunutzen, entwickeln wir zudem einen geometriebewussten Block, der die lokalen geometrischen Beziehungen explizit modelliert. Die Integration von Transformer-Techniken ermöglicht unserem Modell, strukturelle Kenntnisse effizienter zu erlernen und detaillierte Informationen bei der Vervollständigung der Punktwolke besser zu bewahren. Darüber hinaus schlagen wir zwei anspruchsvollere Benchmarks vor, die eine größere Vielfalt an unvollständigen Punktwolken enthalten und realistischere Szenarien besser abbilden, um zukünftige Forschungen zu fördern. Experimentelle Ergebnisse zeigen, dass unsere Methode sowohl auf den neuen als auch auf den etablierten Benchmarks signifikant die bisher besten Ansätze übertrifft. Der Quellcode ist unter https://github.com/yuxumin/PoinTr verfügbar.