3DILG：用于三维生成建模的非规则潜在格
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
本文提出了一种基于分解的生成模型，通过引入无监督的原始发现算法和基于高阶条件随机场模型的生成模型，可以从粗到细先后进行三维形状的生成，从而实现了对新形状生成表示能力的提高和更好的样本质量。
Jun, 2019
使用基于概率推理的重建框架，探索了基于不同形状表示和适当的学习架构的端到端学习策略，从而实现了从单个图像推断三维形状。通过我们的Probabilistic Reconstruction Networks，使用基本的体素网格表征，实现了在ShapeNet数据集上的新的交集和移动距离评估指标的最新成果。
Aug, 2019
本文提出了一种新的三维形状表示——本地隐式网格表征，它适用于大型、多样化的室内场景，利用autoencoder学习局部数据的嵌入，再使用解码器实现形状优化，提高了基于稀疏点观测的三维表面重建结果。
Mar, 2020
该研究论文探讨生成模型在三维点云形状建模方面的应用，提出一种基于归一化流和仿射耦合层的潜在变量模型，用于生成、自编码和单视角形状重构任务，相较最近的基于 GAN 和基于连续流的模型，该模型在训练和推理速度上有明显提升，并在特定指标上实现了优于其他模型的表现，包括单视角形状重构等。
Jul, 2020
提出了一种新的三维形状表示方法，用于从单个图像中重建三维形状。通过训练神经网络生成训练集，再利用元学习方法进行双层优化，建立了三维形状分析和少样本学习之间的联系。该方法结合了训练数据生成网络与双层优化算法，可以联合训练，提高了三维形状重建的标准基准上的性能。
Oct, 2020
这篇论文介绍了Make-A-Shape，一种用于高效训练的新型3D生成模型，它能利用1000万个公开可用形状，并通过波克树表示将形状紧凑地编码，并通过扩散模型生成形状。这种模型不仅在高质量结果方面超越了现有技术水平，而且能够在几秒内高效生成形状。
Jan, 2024