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

本文提出了一种基于视角引导的点云补全解决方案，通过从额外单视图图像中获取缺失的关键全局结构信息，利用依次执行有效跨模态和跨层次融合的框架，相比于现有解决方案在视角引导点云完形填空任务上取得了显著优越的结果。

Apr, 2021

本文介绍了一种名为SnowflakeNet的点云完成算法，采用Snowflake Point Deconvolution (SPD)来生成完整的点云，通过引入skip-transformer和SPD来学习最佳匹配局部区域的点分割模式，生成具有结构性和精细几何细节的点云，实验结果表明该方法优于现有的点云完成方法。

Aug, 2021

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

本研究提出了一种新的点云完整性方法Point-PC，使用记忆网络检索形状先验，并设计了有效的因果推断模型来选择缺失的形状信息以帮助点云完整性。

May, 2023

Point cloud completion using a self-supervised framework called Partial2Complete (P2C) that utilizes incomplete point clouds to predict masked patches by learning prior information from different partial objects, incorporating a region-aware chamfer distance and a normal consistency constraint, and demonstrating comparable results to methods trained with complete shapes.

Jul, 2023

通过精心设计的特征提取操作和显式的分辨率聚合，我们揭示了点云补全方法背后的关键因素之一：跨分辨率聚合。我们提出了一种效率高的Cross-Resolution Transformer，能够捕捉比常规聚合操作更多尺度的特征，对于捕捉细微的几何特征有益处。我们将两种形式的Cross-Resolution Transformer集成到一个上采样模块中，用于点云生成，并且通过逐步上采样的方式，构建了CRA-PCN来逐步预测完整的形状。广泛的实验证明，我们的方法在几个广泛使用的基准测试上明显优于现有方法。

Jan, 2024

通过利用2D先验和点渲染技术，提出一个零样本的框架，用于完成部分观测到的点云，实验结果表明该方法能够优于现有方法并完成各种对象的形状恢复。

Apr, 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

本研究解决了传统点云补全方法中无法同时保持全局几何结构和局部细节的问题。我们提出的GeoFormer通过集成一致的坐标映射和点特征，显著提升了几何特征，并利用多尺度几何感知上采样模块增强了局部细节。实验结果显示，GeoFormer在多个基准测试中表现出色，实现了先进的性能。

Aug, 2024