トランスフォーマー構造が機械学習分野で一般的になりつつある一方、3次元形状認識への適用は容易ではありません。その理由として、自己注意機構の計算複雑度が二次関数的であるため、入力点の集合が大きくなるにつれて効率が急速に低下します。さらに、我々は自己注意機構が全体的なスケールで個々の点間の有用な接続を見つけることが困難であることを確認しました。これらの問題を緩和するために、我々は局所的および全局所的な注意機構を組み合わせた二段階のポイント・トランスフォーマー・イン・トランスフォーマー（Point-TnT）アプローチを提案します。これにより、個々の点と点のパッチが互いに効果的に注意を払うことができます。形状分類における実験結果から、このアプローチはベースラインとなるトランスフォーマーよりも下流タスクに対してより有用な特徴量を提供するとともに、計算効率も高いことが示されました。また、本手法をシーン再構築の特徴量マッチングにも拡張し、既存のシーン再構築パイプラインと併用可能であることも示しています。