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

提出了一种级联细化网络结合粗到细的策略，通过考虑局部输入的细节和全局形状信息，保留了不完整点集中的现有细节，生成高保真度的缺失部分，并设计了一个补丁鉴别器来学习复杂的点分布，实验结果表明在 3D 点云完成任务中，我们的方法优于现有最先进的方法。

Apr, 2020

本文提出了一种Skip-Attention Network（SA-Net）算法，以增强点云补全任务中原始点云局部结构信息的提取过程，该算法通过skip-attention机制实现选取不同分辨率下不同局部结构信息的编码。实验表明，SA-Net算法在形状完整性生成上的性能好于当前的措施。

May, 2020

本文针对基于RGB图像学习三维物体表面重建的挑战性任务，通过提出拓扑保持的骨骼形状表示方法，即SkeletonNet设计，结合Skeleton-Based Graph Convolutional Neural Network （SkeGCNN）和Skeleton-Regularized Deep Implicit Surface Network（SkeDISN）模型，有效提高表面重建的性能，并在广义任务设置下取得良好效果。

Aug, 2020

本文提出了一种基于变分框架的点云重建方法(Variational Relational point Completion network - VRCNet)，该方法采用了概率建模和关系增强技术实现点云的精细局部重建，同时给出了一个包含10万多个高质量扫描的多视角局部点云数据集(MVP数据集)，实验证明VRCNet在标准点云重建基准上的性能优于目前的最先进方法，并且在真实世界点云扫描中表现出了很好的泛化性和鲁棒性。

Apr, 2021

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

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