本文提出了一种基于生成对抗网络（GAN）模型的新的点云上采样网络 PU-GAN，能够从潜在空间中学习到丰富的点分布并通过误差反馈和自校正实现对物体表面上的点的上采样，并通过鉴别器学习更多潜在模式以增强输出点的分布均匀性。定量和定性评估表明，PU-GAN 在分布均匀性、与物体表面的接近度以及三维重建质量方面，优于同类方法。

Jul, 2019

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

本文提出了一种用于生成点云数据的改进的 GAN 算法（PC-GAN），结合了层次贝叶斯建模和隐式生成模型的思想，使用后验推理网络来学习隐藏变量、使用紧凑的 Wasserstein 距离估计来定义优化目标，从而实现了多个 GAN 算法的一般化框架。实验证明，PC-GAN 比现有方法更好地生成了许多 3D 模型，并且具有竞争性能的潜力。

Oct, 2018

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

本文介绍了 Soft-Gated Warping Generative Adversarial Network（Warping-GAN）的开发，该网络利用了灵活轻便的规避块，以在生产人像时处理任意姿势等大尺度几何变换，并在两个大型数据集上得到了显着优越的表现。

Oct, 2018

本文介绍了一种使用条件生成对抗网络并以无监督的方式为各种物体创建具有颜色的密集三维点云的方法，并提出了一种点变换器，该变换器通过使用图卷积逐渐增加网络规模。实验结果表明，该网络能够学习和模仿三维数据分布，并产生具有多种分辨率和精细细节的彩色点云。

Oct, 2020

本文提出了一种新颖的标签引导的对抗网络（LG-GAN）用于实时灵活的目标点云攻击，该网络能够在单一前向传递中学习如何变形点云以使识别网络误认为是特定标签，支持在飞行中的灵活目标攻击，并同时保证攻击性能和效率的同时提高。

Nov, 2020

WarpGAN 是一种全自动生成卡通画的神经网络，可以在保留人脸特征的前提下，将图像转换为卡通画。通过引入 identity-preserving adversarial loss 等策略，生成的卡通画视觉效果良好，并且可以自定义不能夸大的视觉效果。

Nov, 2018

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

本文提出了一种基于 3D 人体网格恢复的单一框架，涉及到人体运动模仿、外观转移和新视角合成；同时使用液态变形 GAN 进行纹理、样式、颜色和面部等特征的提取和特征空间的传播，支持多个源的自适应扭曲。

Sep, 2019