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

利用几何图像的形式通过卷积神经网络，直接生成三维形状表面，实现形状表面的插值、发明以及从未看见的图像中恢复三维形状表面等功能。

Mar, 2017

本研究提出了一种新方法，用于通过生成式对抗网络（GAN）训练理解物体的详细三维形状以及从二维图像中重建三维形状和形状完成。该方法使用梯度惩罚的Wasserstein距离作为训练目标，从而从联合对象形状分布中获得更好的生成效果，并在与现有基线比较中取得了明显的数量级改进。

Jul, 2017

本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法，其中利用 GAN 等深度学习技术实现，从而生成出真实的三维图像，实现了从二维图像向三维图像的转换。

Oct, 2019

本研究提出了一种基于有符号距离表示的生成对抗神经网络架构，能够生成高保真度的三维模型，并通过使用不同的 progressively growing voxel 网络作为鉴别器以及细化生成器能力的算法，从 ShapeNet 基准数据集中验证了其有效性。

Feb, 2020

本文介绍了SP-GAN，一种新的无监督的球形引导生成模型，用于直接合成点云形式的三维形状。SP-GAN可以合成各种高质量的具有细节和可控性的形状，同时不需要任何零件注释。

Aug, 2021

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

本文介绍了Surf-D方法，一种使用扩散模型在任意拓扑结构上生成高质量三维形状表面的新方法。通过采用无符号距离场（UDF）作为表面表示，能够处理任意拓扑结构并生成复杂形状，解决了先前方法在拓扑结构和几何细节方面的限制。通过点云自编码器学习紧凑的潜在空间，并使用梯度查询来捕捉详细几何信息，结合课程学习策略提高嵌入过程的效率。使用预训练的形状潜变空间，采用潜变扩散模型获取各种形状的分布，并在多种模式下展示出出色的形状生成性能，并对无条件生成、类别条件生成、图像三维重建和文本到形状任务进行了广泛实验。

Nov, 2023

GEM3D是一种新的深度、拓扑感知的3D形状生成模型，通过神经骨架为基础的表示编码形状拓扑和几何信息，生成更准确的拓扑和几何信息的表面，并应用于形状综合和点云重建任务，取得了显著的表面重建和多样化形状生成结果。

Feb, 2024