Como un formato de medios inmersivos emergente, las nubes de puntos (PC) inevitablemente sufren distorsiones como la compresión y el ruido, donde incluso las degradaciones locales pueden afectar gravemente la calidad visual percibida y la experiencia del usuario. Por lo tanto, es esencial evaluar con precisión la calidad percibida de las PC. En este artículo, se propone un método de evaluación de calidad de nubes de puntos sin referencia (PCQA) que utiliza muestreo de parches impulsado por la complejidad y un Swin-Transformer mejorado por atención para evaluar con precisión la calidad percibida de las PC. Dado que los mapas de PC proyectados capturan efectivamente las distorsiones y que la densidad de información relacionada con la calidad varía significativamente entre parches locales, se propone una estrategia de muestreo de parches impulsada por la complejidad. Al cuantificar la complejidad de los parches, se muestrean preferentemente las regiones con mayor densidad de información para mejorar la representación de características sensibles a la calidad. Dado que las fuerzas de respuesta indistinguibles entre canales clave y redundantes durante la extracción de características pueden diluir las características efectivas, se propone un Swin-Transformer mejorado por atención para reponderar de manera adaptativa los canales críticos, mejorando así el rendimiento de la extracción de características. Dado que las cabezas de regresión tradicionales suelen utilizar un mapeo lineal de una sola capa, que pasa por alto la importancia heterogénea de la información entre canales, se diseña una cabeza de regresión con compuerta para permitir la fusión adaptativa de características globales y estadísticas a través de un mecanismo de compuerta guiado por estadísticas. Los experimentos en el conjunto de datos SJTU-PCQA demuestran que el método propuesto supera consistentemente a los métodos representativos de PCQA.