在此基础上，研究人员利用了生成的结构点集与输入点云间的Chamfer距离作为模型的重建约束，使得生成的结构点在空间上尽可能地靠近输入点云结构：
值得注意的是，在模型的训练过程中并没有显式地对结构点的语义连续性进行约束，但模型却依然能够针对每一类形状生成具有语义连续性的概率图，得到了具有语义连续性的结构点，下图显示了这种针对同一类形状所具备的语义连续性：
不同目标形状间的语义连续性。同一类别的不同点云形状得到了语义一致的结构点，其中一三行是16个结构点，二四行是1024个结构点，所表达的结构都具有表示颜色较为一致的语义特征，图中也显示了模型可以连续生成稀疏或稠密结构点的能力。
实验结果
为了验证模型的有效性，研究人员在ShapeNet和BHCP数据集上进行了训练和验证，并采用了最远点采样的方法从三维形状中进行点云采样。研究人员使用PointNet＋＋从两个不同层次抽取了512和128个聚类中心，并最终得到128个采样点、每个点包含640维的局域上下文特征。在点云集成模块中，多层感知机层次的数量由输出的结构点数量决定。例如一个生成512个结构点的3层多层感知机包含了（640，512，512）神经元，针对每个类别在单个1080TiGPU上训练需要耗时一小时左右。
为了测评结构点在不同目标间的连续性，研究人员在BHCP数据集上测试了三维形状语义对应任务，并与其他方法进行了比较。下图显示了本方法与其他方法在语义对应任务上针对不同类别的精度，其中红色线代表了本文提出的方法显著超过了先前方法的精度：
此外研究人员还在语义标签迁移任务上对模型产生结构点的质量进行测评，值得注意的是本文的方法在训练时没有采用任何标注。在使用时，利用与测试点最近的结构点序列来进行语义标注迁移，下图显示了模型在三个样本上进行迁移的结果，其中绿色代表了八个随机样本的平均IOU，均值和中值用红色和蓝色显示。
下图还显示了语义标签迁移任务的结果，其中蓝色框中是样本形状，其他则表示迁移的结果：
此外研究人员还利用PCA的方法结合结构点构建了嵌入空间，下图显示了形状随两个主成分变化3σ的情况，右侧显示了仅仅由50个主成分构建的结果，很好地还原了点云所代表的形状：
