稠密三维物体重建的高效点云生成学习
本文提出了一种新颖的框架，即3D生成对抗网络（3D-GAN），通过利用体积卷积网络和生成对抗网络的最新进展，从概率空间生成3D对象，并具有生成高质量3D对象、无先验CAD模型或图像依赖性、生成器从低维概率空间到3D空间的映射以及训练出的无监督深度学习的3D描述符等优点，在3D对象生成及识别等方面取得了令人印象深刻的性能。
Oct, 2016
使用深度神经网络从单一图像中重建 3D 点云坐标，设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法，包括条件形状采样器，能够预测多个可能的 3D 点云。在实验中表现优异，不仅在单图像 based 3D 重建基准测试中胜过现有技术，也在形状补全方面表现出强大性能，有望在多个可能性预测方面表现出色。
Dec, 2016
该论文提出了一种基于点云的物体表面重建方法，使用编码器-解码器网络通过单张图片生成多种视角下的点云，并且使用几何损失函数提高表面拟合准确性。
Nov, 2018
通过对经典图形渲染管道的启发，我们提出了视觉对象网络（VON）——一种生成对象自然图像的新型生成模型，它生成具有解缠的3D表示的对象自然图像，让图像不仅具备比最先进的2D图像合成方法更加逼真的外观，还能进行各种3D操作。
Dec, 2018
本文提出了一种使用真实图像来训练、无需 3D 场景真值信息，通过可微分点云渲染器将潜在 3D 特征点云转换为目标视图输出图像，并通过细化网络解码来填补缺失区域的新型端到端模型，在测试时可以对潜在特征空间进行可解释的操作，可以生成高分辨率图像并推广到其他输入分辨率，将在 Matterport、Replica 和 RealEstate10K 数据集上优于基线和之前的工作。
Dec, 2019
本文提出了一种基于深度学习的新方法，实现从单张RGB图像中重建出具有几十万个点的密集点云，包括RGB纹理，并在多个类别上进行训练以实现对未见类别的优越泛化性能。
Dec, 2019
提出了一种深度学习技术，用于从单个图像进行三维物体重建。与以往的方法不同的是，该方法使用只有单一视角的图像进行训练，并具有自我监督学习能力，可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。
May, 2020
该研究论文探讨生成模型在三维点云形状建模方面的应用，提出一种基于归一化流和仿射耦合层的潜在变量模型，用于生成、自编码和单视角形状重构任务，相较最近的基于 GAN 和基于连续流的模型，该模型在训练和推理速度上有明显提升，并在特定指标上实现了优于其他模型的表现，包括单视角形状重构等。
Jul, 2020
基于分治法的点云生成框架，通过基于可学习先验的补丁生成器和点块转换器，实现了高保真度点云生成，并在ShapeNet数据集上优于最新的高保真度点云生成方法。
Jul, 2023