Autoregressive point cloud 생성 방식은 기존의 확산 기반 접근 방식보다 품질 면에서 뒤쳐져 있었음. 본 논문은 이러한 격차를 해결하기 위해, 형태 모델링의 LOD(Level-of-Detail) 원리를 바탕으로 한 PointNSP라는 coarse-to-fine 생성 프레임워크를 제안함. PointNSP는 낮은 해상도에서 전역 형태 구조를 유지하고, 다음 단계 예측 패러다임을 통해 고해상도에서 세밀한 기하학적 구조를 점진적으로 개선함. 이 멀티 스케일 분해는 자동 회귀 목적 함수를 점 집합의 순열 불변 특성과 일치시켜, 견고한 고정 순서를 피하면서 풍부한 내부 스케일 상호 작용을 가능하게 함. ShapeNet 실험 결과, PointNSP는 자동 회귀 패러다임 내에서 처음으로 SOTA(State-of-the-Art) 생성 품질을 달성했으며, 매개변수, 훈련 및 추론 효율성 측면에서 강력한 확산 기반 baseline을 능가함. 특히 8,192개의 점으로 밀집된 생성에서 PointNSP의 장점이 더욱 두드러져 확장 가능성을 입증함.
