通过基于学习的方法，利用生成建模和潜在流形优化来完成不完整的三维形状，我们的算法直接处理点云数据，成功地重建了在没有依赖基于示例数据库的检索的情况下大缺失区域的点云。

Jul, 2018

本文提出了基于点分形网络的学习方法Point Fractal Network（PF-Net），用于精确高保真度的点云补全，通过多尺度生成网络进行缺失点云的预测。同时，通过多阶段的补全误差和对抗损失来生成更真实的缺失区域，实验证明了该方法的有效性。

Mar, 2020

本研究提出了一种名为GRNet的新方法，以3D网格为中间表示形式，通过保留结构和上下文信息来完善不完整的3D点云，并采用新的梯度损失函数来计算预测和真实点云之间的L1距离，实验结果表明这种方法在多个基准测试中表现优秀。

Jun, 2020

通过预测三维骨架以及从骨架点学习偏移量，提出了一种骨架桥接点完形网络（SK-PCN），将形状完形分解为结构估计和表面重建，并采用本地调整策略合并输入点云以进行表面细化。实验表明，相比于现有方法，该方法在点云和网格完成的各个对象类别上表现更好。

Oct, 2020

提出了一种基于两个分支的神经网络，用于点云的完形填充，其中第一个分支是连锁的对象完形子网络，第二个分支是一个自编码器，共同利用局部输入和粗糙输出来保留对象细节，并使用相同的特征提取器学习形状完形的全局特征，实验结果表明，该方法在点云完形填充任务上的效果超越了现有技术的方法。

Oct, 2020

通过模拟地球移动的行为，在点云不完整的输入上将每个点移动以完成点云，同时保证点移动路径的总路径最短，我们设计了一种名为PMP-Net的新型神经网络实现点云预测。该网络在点级别上学习到了精细的拓扑结构和结构关系，并在Completion3D 和 PCN数据集上展示了超越现有技术的优势

Dec, 2020

本文介绍了一种基于三维形状空间“空洞”特征的点完整性网络 ME-PCN，该网络能够在保留拓扑一致性和表面细节的前提下预测出完整的表面点云，实验表明 ME-PCN 优于现有技术并且采用了一种轻量级的“空洞”设计。

Aug, 2021

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

我们提出了一种新的卷积算子，用于点云完成的任务。我们的方法的一个显著特点是与相关工作相反，它不需要任何最大池化或体素化操作。我们的算子不断提取具有置换不变性的特征，以保留细粒度的几何细节，通过对特征激活的软池化，从而学习编码器中的点云嵌入。通过特定设计的跳跃连接，将对应层之间的链接建立在编码器和解码器之间，以克服这类结构常见的限制，同时在点云完成任务中达到了最佳性能。

May, 2022

本研究提出了一种新的点云完整性方法Point-PC，使用记忆网络检索形状先验，并设计了有效的因果推断模型来选择缺失的形状信息以帮助点云完整性。

May, 2023