La finalización de nubes de puntos tiene como objetivo restaurar las formas completas de objetos a partir de escaneos parciales, y una red típica es AutoEncoder, que tiene módulos de refinamiento de grueso a fino. Aunque los enfoques existentes que utilizan este tipo de arquitectura logran resultados prometedores, suelen descuidar el uso de características de geometría superficial en las entradas parciales y la fusión de características de múltiples etapas en el proceso de aumento de resolución, lo que evita que el rendimiento de la red mejore aún más. Por lo tanto, en este documento, proponemos un nuevo método con interacciones densas entre diferentes pasos de codificación y decodificación. Primero, presentamos el Transformador Multi-cabeza Desacoplado (DMT), que implementa e integra la predicción semántica y el aumento de resolución en un módulo de red unificado, que sirve como ingrediente principal en nuestra canalización. En segundo lugar, proponemos un Decodificador Grueso Consciente de la Codificación (ECD) que hace que el proceso de decodificación de formas de arriba hacia abajo interactúe de manera compacta con el proceso de codificación de características de abajo hacia arriba para utilizar características superficiales y profundas de las entradas parciales para la generación de nubes de puntos gruesas. En tercer lugar, diseñamos un Grupo de Refinamiento Consciente de la Etapa (SRG), que comprende de manera integral las semánticas locales de características densamente conectadas en diferentes etapas de decodificación y aumenta gradualmente las nubes de puntos basándose en ellas. En general, las principales contribuciones de nuestro método son el DMT para la generación conjunta de resolución semántica, el ECD para la decodificación de formas basada en la fusión de características a múltiples escalas, y el SRG para el refinamiento de formas consciente de la etapa. Las evaluaciones en dos conjuntos de datos sintéticos y tres conjuntos de datos del mundo real ilustran que nuestro método logra un rendimiento competitivo en comparación con los enfoques existentes.