Debido al tamaño a menudo sustancial de los datos de nube de puntos del mundo real, la transmisión y el almacenamiento eficientes se han convertido en preocupaciones críticas. La compresión de nubes de puntos juega un papel decisivo en abordar estos desafíos. Reconociendo la importancia de capturar información global dentro de los datos de nube de puntos para una compresión efectiva, muchos métodos de compresión de nubes de puntos existentes pasan por alto este aspecto crucial. Para abordar esta omisión, proponemos un innovador método de compresión de nube de puntos de extremo a extremo diseñado para extraer tanto información global como local. Nuestro método incluye un módulo Transformer novedoso para extraer características ricas de la nube de puntos. La utilización de una operación de agrupación que no requiere parámetros aprendibles como mezclador de tokens para calcular dependencias a larga distancia asegura la extracción de características globales mientras reduce significativamente tanto los cálculos como los parámetros. Además, empleamos capas convolucionales para la extracción de características. Estas capas no solo preservan la estructura espacial de la nube de puntos, sino que también ofrecen la ventaja de la independencia de los parámetros del tamaño de la nube de puntos de entrada, lo que resulta en una reducción sustancial de parámetros. Nuestros resultados experimentales demuestran la efectividad de la red TransPCGC propuesta. Logra ganancias promedio de Bjontegaard Delta Rate (BD-Rate) del 85.79% y 80.24% en comparación con la Compresión de Nube de Puntos Basada en Geometría (G-PCC). Además, en comparación con la red Learned-PCGC, nuestro enfoque logra una ganancia promedio de BD-Rate del 18.26% y 13.83%. Además, está acompañado por una reducción del 16% en el tiempo de codificación y decodificación, junto con una reducción del 50% en el tamaño del modelo.