本文提出了一种新的框架，学习了一个统一的、结构化的潜在空间，其中包括映射相关局部点云的多个完整的形状和遮挡代码对，并将这些代码合并以获取它们在统一潜在空间中的表示，通过建立这样一个统一的和结构化潜在空间，可以实现更好的局部 - 完整几何一致性和形状完成准确性，并在合成和现实世界的各种数据集上比现有的无监督方法表现更为出色。
Mar, 2022
本文探讨了形状完成技术在 LIDAR 三维物体追踪中的应用，设计了一个 Siamese 追踪器，通过对模型和候选形状进行编码，实现了更好的 3D 物体追踪。在 KITTI 追踪数据上的实验结果表明，该模型将成功率和准确率均提升了 3％以上。
Mar, 2019
该研究提出了一种面向大规模 3D 场景连续几何的概率形状完成方法，该方法利用生成细胞自动机学习多模态分布，通过稀疏体素嵌入渐进式生成连续形状，其训练目标最大化完整形状分布的变分下限，并通过实验证明了相比于确定性模型，该方法在几何完成方面的表现更佳。
Apr, 2022
本研究利用弱监督的方法，通过多视角几何约束来同时估计 3D 的标准形状和 6 自由度姿态，解决了学习未对准和真实世界部分点云的情况下，利用大量数据进行 3D 形状补全的问题。实验证明，学习姿势估计可以促进部分点云的配准。
Aug, 2020
该研究提出一种新的方法，使用基于 3D 点云的局部扫描来完成物体和场景的自动化补全，并通过使用特定的编码器 - 解码器结构以及三个特殊开发的新型层来实现。该方法在对象和室内场景自动补全任务中表现出优异的性能，并提高了技术水平。
通过形状补全方法构建稠密而完整的点云目标表示，从而实现鲁棒的三维跟踪，并借助体素化的关系建模模块和框精炼模块提高跟踪性能。
Dec, 2023
本论文提出一种新的深度学习方法，利用可变自编码器和图形卷积运算来实现对非刚性变形物体进行局部补全，对合成和真实扫描的人体和面部网格进行了实验，显示出有前途的结果。
Dec, 2017
本文介绍了一种深度学习模型，利用自我监督的力量来进行三维点云补足，估算缺失的部分和周围的上下文区域。
Mar, 2021
本文提出了一种弱监督学习的三维形状补全方法，旨在解决从稀疏噪声点云进行三维形状补全的问题。与现有的数据驱动方法和基于学习的方法相比，该方法既不需要昂贵的优化步骤，也不需要直接监督，通过使用深度神经网络来学习最大似然拟合，具有高效和准确的形状补全能力。在来自 ShapeNet、ModelNet、KITTI 和 Kinect 的综合基准测试中，该方法能够与最近的完全监督基线相竞争，并且优于数据驱动方法，同时需要更少的监督并具有显着的速度优势。
May, 2018
本文介绍了使用基于体素的网络和边缘生成（VE-PCN）来实现点云补全的方法，该方法采用多尺度网格特征学习来生成更真实的表面细节，并在公开数据集上进行了评估，表现优于现有的最先进方法。
Aug, 2021