该论文探讨了点云作为表示几何数据的方法，利用深度自编码器网络来提高3D识别及形状编辑的表现，并对不同的生成模型进行了研究，发现在AE的潜在空间中训练的高斯混合模型具有最佳的生成效果。

Jul, 2017

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

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

使用辅助分类器 GAN 和核密度估计的生成对抗网络，能够在生成高质量高多样性 3D 对象的同时实现对其属性的控制。

Feb, 2022

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

本文研究生成对抗网络（GANs）中的潜在空间与三维对象的关系，探讨了几种GAN的变体和训练方法，旨在提高3D GAN的训练效果，同时提出了未来研究的方向。

Apr, 2023

基于分治法的点云生成框架，通过基于可学习先验的补丁生成器和点块转换器，实现了高保真度点云生成，并在ShapeNet数据集上优于最新的高保真度点云生成方法。

Jul, 2023