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

通过使用部件感知深度生成网络(PAGENet)建模三维形状的变化，利用每个部件的VAE-GANs生成具有语义感知的部件，并使用部件组装模块将它们组装在一起，从而减少了建模三维形状变化的难度。该模型在语义形状分割和基于部件的形状编辑等应用中取得了可信度高、多样性和细节丰富的三维形状的生成效果。

Jun, 2019

本文介绍了一种从符号树表示生成 3D 点云几何形状的方法，提出了一种新的条件 GAN 模型（PT2PC），它将树部分作为条件并将其纳入架构设计中，以端到端方式学习形状生成程序，在用户研究中证明了本方法在生成感知合理和多样 3D 点云方面的优势，同时提出了一种用于评估生成形状跟符号树条件是否满足的新结构度量标准。

Mar, 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

本文提出了一种新的方法，将三维点云映射到三维生成对抗网络的潜在空间。我们的生成模型基于SP-GAN，它是一种最先进的球引导三维点云生成器。我们提出了一种有效的编码方式，可将输入的三维点云编码到SP-GAN的潜在空间中。我们的对点云编码器可以解决反演过程中的点排序问题，从而确定生成的三维点云中的点与生成器使用的规范球中的点之间的对应关系。我们展示了我们的方法在三维点云的GAN反演上优于以前的方法，定量和定性地获得了最先进的结果。我们的代码可在此 https URL 上获得。

Nov, 2022

基于分治法的点云生成框架，通过基于可学习先验的补丁生成器和点块转换器，实现了高保真度点云生成，并在ShapeNet数据集上优于最新的高保真度点云生成方法。

Jul, 2023