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
该论文探讨了点云作为表示几何数据的方法，利用深度自编码器网络来提高3D识别及形状编辑的表现，并对不同的生成模型进行了研究，发现在AE的潜在空间中训练的高斯混合模型具有最佳的生成效果。
Jul, 2017
本研究提出了一种新方法，用于通过生成式对抗网络（GAN）训练理解物体的详细三维形状以及从二维图像中重建三维形状和形状完成。该方法使用梯度惩罚的Wasserstein距离作为训练目标，从而从联合对象形状分布中获得更好的生成效果，并在与现有基线比较中取得了明显的数量级改进。
本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法，其中利用 GAN 等深度学习技术实现，从而生成出真实的三维图像，实现了从二维图像向三维图像的转换。
Oct, 2019
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
该研究提出了一种使用网格训练GAN的方法来生成三维形状，这种训练方法允许更多的表现力和空间控制，并提出了一种基于统计分析的鲁棒性评估标准。
Jul, 2021
通过直接应用对抗训练于对象表面的3D形状合成框架（SurfGen），使用可微分的球形投影层和球形CNN来更好地学习自然形状表面的统计数据，并在大规模形状数据集上评估和证明其能够生成具有多种拓扑结构的高保真3D形状。
Jan, 2022
使用辅助分类器 GAN 和核密度估计的生成对抗网络，能够在生成高质量高多样性 3D 对象的同时实现对其属性的控制。
Feb, 2022
本文探讨基于生成对抗网络的多尺度模型，在仅有单个参考3D模型的情况下进行学习，而不需要使用大规模的3D数据集或人工标注，从而生成多样化和高质量的3D模型。
Aug, 2022
本文概述了 3D 生成方法和 3D 感知图像合成的算法和表示方法的发展，并探讨了面临的困难和挑战。
Oct, 2022