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

本研究提出了一种改进的 Sphere as Prior Generative Adversarial Network (SP-GAN) 模型，用于点云生成。该方法使用 K-means 算法将点云分割成聚类并提取质心，然后将质心作为先验用于 SP-GAN 的生成过程，以提高生成点云的结构完整性和质量。生成器的训练过程中还使用了与质心相关的相同点云，以确保连贯一致的学习环境。实验证明，使用 K-means 算法生成质心作为先验能够提高生成点云的质量。

Mar, 2024

本文提出了一种叫做 GrowSP 的无监督 3D 语义分割方法，其关键在于通过逐渐增长的超点来发现 3D 语义元素，并将其分组成语义元素进行最终的语义分割。我们在多个数据集上对我们的方法进行了广泛评估，证明了其在无监督基线系统中具有优异性能，并接近于经典的全监督 PointNet。

May, 2023

实例分割是计算机视觉中的关键任务之一，本研究提出了一种名为生成形状提案网络（GSPN）的 3D 对象提案方法，并将其应用于一种新颖的 3D 实例分割框架中，名为区域点网络（R-PointNet）。GSPN 引入了几何理解以及生成技术来提出精确的实例分割，取得了良好的性能表现。

Dec, 2018

提出一种名为 BallGAN 的 3D 感知 GAN 框架，通过近似背景为球面并将场景表示为背景内的前景和薄球形背景的并集的方法，减少背景领域中的自由度，以解决现有方法存在的 3D 几何不自然与训练不稳定的问题，从而实现更合理的 3D 几何和更好的图像一致性和保真度。

Jan, 2023

本研究提出了一种新型的 SG-GAN 模型，用于在单个图像的条件下生成高密度的脑点云。相比现有方法，实验结果表明该模型在视觉质量、目标度量和分类表现方面具有优越性。

May, 2023

本文提出一种基于频域生成式对抗网络（GAN）的方法，使用高度结构化的光谱表示来综合 3D 点云，从而实现高分辨率且任意数量点的点云生成，并能够以无监督的方式学习高度可辨别的表征，并利用建立在空间模型上的知识进行重建。

Dec, 2019

SPSG 是一种新颖的方法，通过学习自我监督方式推断未观测到的场景几何和颜色信息，结合技术对二维渲染图像进行对抗和感知损失计算，直接生成高质量的有色三维场景模型，在合成和实际数据上性能优于现有技术。

Jun, 2020

本文提出了一种新型样式点生成器（SpareNet），通过具有通道注意性的 EdgeConv 来充分利用点特征中的局部结构和全局形状，将形状特征视为风格代码，以调节折叠过程中的标准化层，提高了其生成复杂和忠实形状的能力，然后将完成的点投影到深度图中并应用对抗性训练来在不同视点下提倡感知逼真度。在 ShapeNet 和 KITTI 上的全面实验验证了我们方法的有效性，展现了超过其他方法的视觉质量和量化性能。

Mar, 2021

基于对称正定流形学习的生成对抗网络，提出了一种全自动着色方法，用于将灰度图像转化为彩色图像，实现更真实的彩色图像和更好的评价指标。

Dec, 2023