ScanComplete采用数据驱动方法，输入不完整的3D扫描场景数据，预测出完整的3D模型并附带像素级语义标签，主要贡献在于处理空间范围不同的大型场景，并且在完成质量和语义分割性能等方面都显著优于其他方法。

Dec, 2017

本文提出ShapeHD，将深度生成模型与马赛克技术相结合，解决了单视角3D形状补全和重建的两个层面的问题，并在多个真实数据集上取得了比现有技术领先很多的表现。

Sep, 2018

提出一种名为生成元胞自动机的概率三维生成模型，其能够产生多样化和高质量的形状，利用细胞自动机的局部更新规则有效减少了搜索空间，在稀疏卷积网络的支持下进行渐进生成，通过抽样与训练轮廓数据的匹配学习得到了本地均匀规则，并在概率形状补全和形状生成的实验中取得了竞争性的性能。

Mar, 2021

本文提出了一种新颖的概率生成建模方法，称为Point-Voxel Diffusion（PVD），它是一个统一的、概率的公式，用于无条件的形状生成和多模态形状完成。PVD将降噪扩散模型与3D形状的混合点-体素表示相结合，并通过优化变分下界来训练（条件）似然函数。实验证明了PVD的高保真度合成能力，以及从单视角深度扫描的真实对象中生成多个完成结果的能力。

Apr, 2021

本文介绍了使用基于体素的网络和边缘生成（VE-PCN）来实现点云补全的方法，该方法采用多尺度网格特征学习来生成更真实的表面细节，并在公开数据集上进行了评估，表现优于现有的最先进方法。

Aug, 2021

ShapeFormer是一个基于transformer的网络，它可以在给定不完整和可能带有噪声的点云的情况下生成物体完成的分布，通过采样分布，可以生成类似于输入的可能完成物体，我们引入了一种紧凑的3D表示方法——向量量化深度隐式函数，它利用空间稀疏性将3D形状的近似表示成短序列的离散变量，实验表明，ShapeFormer在处理不完整的输入情况下的物体形状补全问题上性能优于先前的方法。同时，我们还展示了我们的方法可以有效处理各种不同形状类型，不完整的输入模式和真实世界的扫描数据。

Jan, 2022

该研究提出了一种基于自回归先验的方法来解决三维形状完形、重建和生成等多模态三维任务，该方法可以在一个任意集合的空间查询位置上对三维形状建模，从而在不同的条件下执行形状补齐。

Mar, 2022

本论文提出了一种基于Transformer的场景语义补全框架VoxFormer，可以从2D图像中输出完整的3D体素语义，并在测试中获得了相对20%的几何和18.1%的语义方面的提升。

Feb, 2023

提出了一种新的基于扩散的形状完成方法，将形状完成作为一种基于条件的生成任务，并通过分层特征聚合机制和包含性感知融合策略来实现形状完成，从而在形状完成方面取得了最新的技术成果。

Jun, 2023

介绍了一种新型的空间感知的3D形状生成框架，利用2D平面表示增强3D形状建模，通过使用正交2D平面直接学习三维形状的连续有符号距离场表示，以确保空间一致性和减少内存使用，并通过基于Transformer的自编码结构精确实施不同平面之间的空间对应关系，促进生成的3D形状中空间关系的保留，从而在无条件形状生成、多模态形状补全、单视图重建和文本到形状合成等各种任务上始终优于最先进的3D形状生成方法。

Mar, 2024