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

本文提出了一种基于变分关系点补全网络（VRCNet）的框架，采用概率建模和关系增强技术，实现对不完整点云进行准确重建，并达到对部分点云进行 3D 分类和模型识别的目的。

Apr, 2023

提出了一种基于两个分支的神经网络，用于点云的完形填充，其中第一个分支是连锁的对象完形子网络，第二个分支是一个自编码器，共同利用局部输入和粗糙输出来保留对象细节，并使用相同的特征提取器学习形状完形的全局特征，实验结果表明，该方法在点云完形填充任务上的效果超越了现有技术的方法。

Oct, 2020

该研究提出了一个神经网络模型，命名为 VPC-Net，用于从移动激光扫描系统获取的点云数据中合成完整、密集、统一的车辆点云数据，以用于 3D 车辆监测任务，具有良好的性能表现与结果。

Aug, 2020

该研究提出一种新的方法，使用基于 3D 点云的局部扫描来完成物体和场景的自动化补全，并通过使用特定的编码器 - 解码器结构以及三个特殊开发的新型层来实现。该方法在对象和室内场景自动补全任务中表现出优异的性能，并提高了技术水平。

Mar, 2022

VoxelNet 是一种针对点云图像检测的深度网络，可以将点云分割成等间距的三维体素，并通过新引入的体素特征编码层将每组点转换为统一的特征表示，从而生成描述性的体积表示，并连接 RPN 以生成检测。

Nov, 2017

最近，基于点云的任意尺度上采样机制因其在实际应用中的效率和便利性而越来越受欢迎。为了解决从稀疏点云学习表面表示所面临的挑战，我们提出了一种使用基于体素网络的任意尺度点云上采样框架（PU-VoxelNet）。通过利用体素表达的完整性和规律性，体素网络能够提供预定义的网格空间来近似三维表面，并根据每个网格单元内的预测密度分布重建任意数量的点。进一步，为了改善细节，我们提供了一种辅助训练监督方法，以强制实现局部表面块之间的潜在几何一致性。广泛的实验证明，所提出的方法在固定上采样率和任意尺度上采样方面都优于现有技术。

Mar, 2024

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