本文提出了一种新的基于学习的方法——Point Completion Network（PCN），该方法直接在原始点云上操作而不需要任何结构假设或注释，并且其解码器设计可以在保持参数数量较小的同时生成精细的完整点云。实验结果表明，PCN 在处理各种不完整和噪声的输入时可以产生密集、完整、具有现实结构的点云。

Aug, 2018

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

本文介绍了一种名为SnowflakeNet的点云完成算法，采用Snowflake Point Deconvolution (SPD)来生成完整的点云，通过引入skip-transformer和SPD来学习最佳匹配局部区域的点分割模式，生成具有结构性和精细几何细节的点云，实验结果表明该方法优于现有的点云完成方法。

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

本文提出了一种用于点云补全和上采样的新型神经网络PMP-Net++，该网络通过点云的形变过程实现补全。 Transformer-enhanced representation learning可以进一步提高PMP-Net++的性能。

Feb, 2022

利用跨注意力机制和自我关注机制设计新型神经网络PointAttN，消除了现有方法中局部区域划分对点云密度分布敏感的问题，其在处理点云的过程中以点为基本单位进行计算，以简单而有效的方式直接建立点之间的短程和长程结构关系，因此可以精确地捕捉三维形状的结构信息，并预测具有高度详细几何形状的完整点云。PointAttN在Completion3D和PCN等流行基准测试中优于现有技术的表现，代码可在 https URL 上获取。

Mar, 2022

本文介绍了一种基于深度学习和卷积神经网络的、适用于点云的几何压缩方法，实现了对于点云的空间信息和几何细节的有损压缩，该方法可以有效地处理点云中的局部相关性，提高压缩和重建质量。

Sep, 2022

本文提出了一种新的反馈网络（FBNet）用于点云完整性修复，通过用细粒度特征改进粗略形状的生成，并利用交叉注意力策略来修正现有的特征。在多个数据集上进行的定量和定性实验表明，FBNet在点云修复任务上的性能比现有最先进的方法更优。

Oct, 2022

在不需要完备地面真实数据的情况下，使用单个部分点云对象，我们提出了MAL-SPC，一个能够有效利用物体级和类别特定几何相似性来完成缺失结构的框架。通过引入 Pattern Retrieval Network 来提取部分输入和预测形状之间的相似位置和曲率模式，然后利用这些相似性来密集化和优化重建结果。此外，我们将重建完成的形状渲染为多视角深度图，并设计了一个对抗学习模块，从类别特定的单视角深度图像中学习目标形状的几何结构。为了实现各向异性渲染，我们设计了一种密度感知半径估计算法来提高渲染图像的质量。与现有最先进的方法相比，我们的 MAL-SPC 取得了最佳的结果。我们将在此网址公开提供源代码。

Jul, 2024