Avec le développement des technologies de numérisation 3D, les tâches de vision 3D sont devenues une zone de recherche populaire. En raison du grand volume de données acquises par les capteurs, l'apprentissage non supervisé est essentiel pour comprendre et utiliser les nuages de points sans un processus d'annotation coûteux. Dans cet article, nous proposons un cadre novateur et une architecture d'auto-encodeur efficace nommée « PSG-Net » pour l'apprentissage basé sur la reconstruction des nuages de points. Contrairement aux études existantes qui utilisaient des points 2D fixes ou aléatoires, notre cadre génère des caractéristiques ponctuelles dépendantes de l'entrée pour l'ensemble latent de points. PSG-Net utilise l'entrée encodée pour produire des caractéristiques ponctuelles via le module de génération de graines et extrait des caractéristiques plus riches à plusieurs stades avec une résolution progressivement croissante en appliquant progressivement le module de propagation des caractéristiques des graines. Nous prouvons expérimentalement l'efficacité de PSG-Net ; PSG-Net montre des performances d'avant-garde dans la reconstruction des nuages de points et la classification non supervisée, et atteint des performances comparables à celles des méthodes équivalentes dans la complétion supervisée.