Die Generierung von 3D-Punktwolken ist von großer Bedeutung für die Modellierung und Interpretation von 3D-Szenen. Reale 3D-Objektpunktwolken können angemessen durch eine Zusammenstellung von niedrigstufigen und hochstufigen Strukturen wie Oberflächen, geometrischen Primitiven, semantischen Teilen usw. beschrieben werden. Tatsächlich existieren viele verschiedene Darstellungen einer 3D-Objektpunktwolke als Menge von Punktgruppen. Bisherige Ansätze zur Punktwolkengenerierung berücksichtigen entweder keine Struktur in ihren Lösungen oder setzen und erzwingen eine spezifische Struktur/Topologie, beispielsweise eine Sammlung von Mannigfaltigkeiten oder Oberflächen, für die generierte Punktwolke eines 3D-Objekts. In dieser Arbeit stellen wir einen neuartigen Decoder vor, der eine strukturierte Punktwolke generiert, ohne eine bestimmte Struktur oder Topologie auf der zugrundeliegenden Punktmenge vorzugeben. Unser Decoder wird weich eingeschränkt, um eine Punktwolke zu erzeugen, die einer hierarchischen, wurzelbasierten Baumstruktur folgt. Wir zeigen, dass der vorgeschlagene Decoder bei ausreichender Kapazität und unter Berücksichtigung von Redundanzen äußerst flexibel ist und beliebige Punktgruppierungen – einschließlich beliebiger Topologien auf der Punktmenge – lernen kann. Wir evaluieren unseren Decoder im Rahmen der Aufgabe der Punktwolkengenerierung für die 3D-Punktwolken-Form-Vervollständigung. In Kombination mit Encodern aus bestehenden Frameworks zeigen wir, dass unser vorgeschlagener Decoder auf dem ShapeNet-Datensatz die derzeit besten Ansätze zur 3D-Punktwolken-Vervollständigung deutlich übertrifft.