La complétion de nuages de points est devenue de plus en plus populaire parmi les tâches de génération de nuages de points 3D, car il s'agit d'un problème à la fois difficile et indispensable pour reconstruire la forme complète d'un objet 3D à partir d'une observation partielle. Dans cet article, nous proposons une nouvelle méthode, SeedFormer, visant à améliorer la capacité de préservation et de récupération des détails dans la complétion de nuages de points. Contrairement aux approches précédentes basées sur un vecteur de caractéristiques globales, nous introduisons une nouvelle représentation de forme, appelée Patch Seeds, qui capture non seulement les structures générales à partir des entrées partielles, mais préserve également les informations régionales des motifs locaux. En intégrant les caractéristiques des graines dans le processus de génération, nous pouvons restaurer fidèlement les détails des nuages de points complets de manière progressive, du grossier au fin. En outre, nous avons conçu un Upsample Transformer en étendant la structure des transformateurs aux opérations fondamentales des générateurs de points, permettant ainsi une intégration efficace des relations spatiales et sémantiques entre points voisins. Des évaluations qualitatives et quantitatives montrent que notre méthode surpasser les réseaux de complétion d'avant-garde sur plusieurs jeux de données standard. Notre code est disponible à l'adresse suivante : https://github.com/hrzhou2/seedformer.