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

本文提出了一种新的方法，通过两个阶段，利用参数化表面元素和采样算法预测粗粒度点云并与输入点云合并来完成部分点云。实验结果表明，该方法在Earth Mover's Distance（EMD）和Chamfer Distance（CD）等方面表现优异，优于现有方法。

Nov, 2019

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

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

我们提出了一个基于提示的点云补全框架，名为P2M2-Net，用于更可控和多样化的形状补全。通过使用Transformer模型，我们的框架能够高效地融合多模态特征并按照提示指导生成多样化的结果。我们在一个新的大规模PartNet-Prompt数据集上训练P2M2-Net，并在两个具有挑战性的形状补全基准上进行了广泛实验。定量和定性结果表明了引入提示进行更可控的部分感知点云补全和生成的有效性。

Dec, 2023

基于Mamba框架的3DMambaComplete网络通过Hyperpoints的选择、分布和形变实现点云完整性，超过了其他点云完整性方法，经定性和定量分析证实。

Apr, 2024