Mit der Entwicklung von 3D-Scanning-Technologien sind 3D-Vision-Aufgaben zu einem beliebten Forschungsgebiet geworden. Aufgrund der großen Datenmengen, die von Sensoren erfasst werden, ist das unüberwachte Lernen entscheidend für das Verständnis und die Nutzung von Punktwolken ohne einen aufwendigen Annotierungsprozess. In dieser Arbeit schlagen wir ein neues Framework sowie eine effektive Auto-Encoder-Architektur namens "PSG-Net" vor, die für rekonstruktionsbasiertes Lernen von Punktwolken entwickelt wurde. Im Gegensatz zu bisherigen Studien, die feste oder zufällige 2D-Punkte verwendet haben, generiert unser Framework punktabhängige Merkmale für die latente Punktmenge. PSG-Net nutzt die kodierten Eingaben, um durch den Seed-Generationsmodul punktweise Merkmale zu erzeugen und extrahiert in mehreren Stufen mit schrittweise steigender Auflösung reichere Merkmale durch fortschreitende Anwendung des Seed-Feature-Propagation-Moduls. Wir beweisen die Effektivität von PSG-Net experimentell; PSG-Net zeigt Stand-des-Wissens-Leistungen bei der Rekonstruktion von Punktwolken und unüberwachtem Klassifizierungsaufgaben und erreicht vergleichbare Leistungen wie vergleichbare Methoden im überwachten Completion (Vervollständigung).