3Dスキャン技術の発展に伴い、3Dビジョンタスクは人気のある研究分野となっています。センサによって取得される大量のデータにより、高価なアノテーションプロセスを必要とせずに点群を理解し利用するためには、教師なし学習が不可欠です。本論文では、点群の再構築に基づく学習のために新しいフレームワークおよび効果的なオートエンコーダーarchitecture「PSG-Net」を提案します。既存の研究が固定またはランダムな2Dポイントを使用していたのに対し、当該フレームワークは潜在的な点集合に対して入力依存の点ごとの特徴量を生成します。PSG-Netは、シード生成モジュールを通じて符号化された入力を用いて点ごとの特徴量を生成し、段階的に解像度を向上させることでより豊富な特徴量を複数段階で抽出します。実験結果からPSG-Netの有効性を示しており、点群の再構築と教師なし分類において最先端の性能を発揮し、監督付き補完における対応する手法と同等の性能も達成しています。