La reconstrucción tridimensional a partir de nubes de puntos es un tema de investigación importante en visión por computadora y gráficos por computadora. Sin embargo, la naturaleza discreta, la dispersión y el ruido de la nube de puntos original contribuyen a que los resultados de generación de superficies 3D basadas en características globales a menudo parezcan irregulares y carentes de detalles, lo que dificulta describir con precisión los detalles de la forma. Abordamos el desafío de generar superficies 3D suaves y detalladas a partir de nubes de puntos. Proponemos un método de particionamiento adaptativo en octree para dividir la forma global en regiones locales de diferentes escalas. Luego, se utiliza un método de bucle iterativo basado en GRU para extraer características de voxels locales y aprender suavidad local y prioridades de forma global. Finalmente, se emplea un enfoque de mínimos cuadrados móviles para generar la superficie 3D. Los experimentos demuestran que nuestro método supera a los métodos existentes en conjuntos de datos de referencia (conjunto de datos ShapeNet, conjunto de datos ABC y conjunto de datos Famous). Los estudios de ablación confirman la efectividad del particionamiento adaptativo en octree y los módulos GRU.