La génération de nuages de points 3D est d'une grande utilité pour la modélisation et la compréhension des scènes 3D. Les nuages de points réels d'objets 3D peuvent être correctement décrits par une collection de structures à la fois de bas et de haut niveau, telles que des surfaces, des primitives géométriques, des parties sémantiques, etc. En réalité, plusieurs représentations différentes d’un nuage de points 3D peuvent être formulées comme un ensemble de groupes de points. Les cadres existants pour la génération de nuages de points ne tiennent pas compte de la structure dans leurs approches proposées, ou bien supposent et imposent une structure ou une topologie spécifique, par exemple un ensemble de variétés ou de surfaces, pour le nuage de points généré d’un objet 3D. Dans ce travail, nous proposons un nouveau décodeur capable de générer un nuage de points structuré sans supposer de structure ou de topologie particulière sur l’ensemble de points sous-jacent. Ce décodeur est souplement contraint pour produire un nuage de points suivant une structure hiérarchique en arbre enraciné. Nous démontrons que, grâce à une capacité suffisante et en autorisant certaines redondances, le décodeur proposé est extrêmement flexible et capable d’apprendre tout regroupement arbitraire de points, y compris toute topologie sur l’ensemble de points. Nous évaluons notre décodeur sur la tâche de génération de nuages de points pour la complétion de formes 3D. En combinant ce décodeur avec des encodeurs issus de cadres existants, nous montrons que notre méthode surpasse significativement les méthodes de pointe pour la complétion de nuages de points 3D sur le jeu de données ShapeNet.