本研究提出了一种点关注网络，它可以在对3D点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的3D点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种3D点云。

Sep, 2019

本文提出了一种Skip-Attention Network（SA-Net）算法，以增强点云补全任务中原始点云局部结构信息的提取过程，该算法通过skip-attention机制实现选取不同分辨率下不同局部结构信息的编码。实验表明，SA-Net算法在形状完整性生成上的性能好于当前的措施。

May, 2020

本研究提出了一种名为GRNet的新方法，以3D网格为中间表示形式，通过保留结构和上下文信息来完善不完整的3D点云，并采用新的梯度损失函数来计算预测和真实点云之间的L1距离，实验结果表明这种方法在多个基准测试中表现优秀。

Jun, 2020

本文提出了基于点云的3D对象完成和分类方法，其中引入了一种称为软池化的提取特征的新方式和区域卷积的解码器阶段，该方法可与许多点云架构（如AtlasNet和PCN）结合使用，并在物体完成和分类等3D任务上取得了最新的准确性

Aug, 2020

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

本文提出了一种新的框架，学习了一个统一的、结构化的潜在空间，其中包括映射相关局部点云的多个完整的形状和遮挡代码对，并将这些代码合并以获取它们在统一潜在空间中的表示，通过建立这样一个统一的和结构化潜在空间，可以实现更好的局部-完整几何一致性和形状完成准确性，并在合成和现实世界的各种数据集上比现有的无监督方法表现更为出色。

Mar, 2022

我们提出了一种新的卷积算子，用于点云完成的任务。我们的方法的一个显著特点是与相关工作相反，它不需要任何最大池化或体素化操作。我们的算子不断提取具有置换不变性的特征，以保留细粒度的几何细节，通过对特征激活的软池化，从而学习编码器中的点云嵌入。通过特定设计的跳跃连接，将对应层之间的链接建立在编码器和解码器之间，以克服这类结构常见的限制，同时在点云完成任务中达到了最佳性能。

May, 2022

我们提出了一个基于提示的点云补全框架，名为P2M2-Net，用于更可控和多样化的形状补全。通过使用Transformer模型，我们的框架能够高效地融合多模态特征并按照提示指导生成多样化的结果。我们在一个新的大规模PartNet-Prompt数据集上训练P2M2-Net，并在两个具有挑战性的形状补全基准上进行了广泛实验。定量和定性结果表明了引入提示进行更可控的部分感知点云补全和生成的有效性。

Dec, 2023

通过使用2D和3D注意力，提出了一种新颖的方法，实现了高精度的深度完成，无需迭代空间传播，该方法在深度完成模型中应用2D特征和3D点云处理，从而达到了与基于变压器的模型相当的性能，并通过正规化技术和全局注意力改进了学习和准确性。

Mar, 2024

在不需要完备地面真实数据的情况下，使用单个部分点云对象，我们提出了MAL-SPC，一个能够有效利用物体级和类别特定几何相似性来完成缺失结构的框架。通过引入 Pattern Retrieval Network 来提取部分输入和预测形状之间的相似位置和曲率模式，然后利用这些相似性来密集化和优化重建结果。此外，我们将重建完成的形状渲染为多视角深度图，并设计了一个对抗学习模块，从类别特定的单视角深度图像中学习目标形状的几何结构。为了实现各向异性渲染，我们设计了一种密度感知半径估计算法来提高渲染图像的质量。与现有最先进的方法相比，我们的 MAL-SPC 取得了最佳的结果。我们将在此网址公开提供源代码。

Jul, 2024