本文提出了一种新的三维形状表示 —— 本地隐式网格表征，它适用于大型、多样化的室内场景，利用 autoencoder 学习局部数据的嵌入，再使用解码器实现形状优化，提高了基于稀疏点观测的三维表面重建结果。

Mar, 2020

研究深度生成模型的潜在空间几何结构及优化条件，通过实验提出限制方法，提高生成对抗网络的性能。

Jul, 2022

本文提出利用生成对抗网络（GAN）为新手用户设计真实世界形状，使用具有简单界面的体素网格进行编辑。该方法的主要优势是通过学习投影和生成算子来协助用户创建背景分布对象形状的 3D 模型，同时不必指定所有细节。通过该算法及工具的实验表明 GAN 是计算机辅助交互建模的一种有前途的方法。

Jun, 2017

本文提出 AE-OT-GAN 模型，借鉴 AE-OT 模型解决了 GAN 模型生成的图片模式坍塌 / 混合问题，同时生成高质量图像；最终通过潜在分布转换映射生成连续的数据分布。实验证明本文方法在简单的 MNIST 数据集和复杂的数据集（如 Cifar-10 和 CelebA）中效果良好。

Jan, 2020

使用单视角 2D 照片集合进行高质量多视角一致的图片和 3D 形状的非监督生成一直是一个难题，本文提出了一种混合显式 - 隐式网络架构，用于提高 3D GANs 的计算效率和图像质量，实现了高分辨率实时多视角一致的图像合成，同时产生高质量的 3D 几何体。

Dec, 2021

通过使用神经场，利用三维空间内不规则的栅格表征方法，提高了点云形状重构以及生成模型的精确性和质量， 在单张高分辨率图像、低分辨率图像和分类条件下的生成模型中，实现了有关 3D 形状建模的革新工作。

May, 2022

本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制，并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量，这一方法可以有效地优化潜在空间的优化等应用，并便于解释变换维度。

Jan, 2021

本论文提出了一种基于 Autoencoder 和生成对抗网络的神经网络结构，通过在潜在空间插值的对抗训练，促进了一个凸的潜在分布。该模型的生成器和辨别器均使用了 AE，能够生成不模糊的样本，并且具有与原始图像相匹配的高低级特征，样本间的插值也能保持真实图像的潜在空间分布，因此保留了对输入图像的逼真相似性。

Jul, 2018

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