本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

Dec, 2016

本文提出了一种新的基于学习的方法——Point Completion Network（PCN），该方法直接在原始点云上操作而不需要任何结构假设或注释，并且其解码器设计可以在保持参数数量较小的同时生成精细的完整点云。实验结果表明，PCN 在处理各种不完整和噪声的输入时可以产生密集、完整、具有现实结构的点云。

Aug, 2018

本文提出了基于点分形网络的学习方法Point Fractal Network（PF-Net），用于精确高保真度的点云补全，通过多尺度生成网络进行缺失点云的预测。同时，通过多阶段的补全误差和对抗损失来生成更真实的缺失区域，实验证明了该方法的有效性。

Mar, 2020

本研究提出了一种名为GRNet的新方法，以3D网格为中间表示形式，通过保留结构和上下文信息来完善不完整的3D点云，并采用新的梯度损失函数来计算预测和真实点云之间的L1距离，实验结果表明这种方法在多个基准测试中表现优秀。

Jun, 2020

本文提出了两种特征聚合策略(global&local feature aggregation，GLFA 和 residual feature aggregation，RFA)来表示缺失的部分和已知的部分，并设计了精细化组件以防止生成的点云具有不均匀分布及异常值。在ShapeNet数据集上进行了广泛的实验，定性和定量评估表明我们提出的方法在细节保留方面优于当前最先进的方法。

Jul, 2020

本文提出了基于点云的3D对象完成和分类方法，其中引入了一种称为软池化的提取特征的新方式和区域卷积的解码器阶段，该方法可与许多点云架构（如AtlasNet和PCN）结合使用，并在物体完成和分类等3D任务上取得了最新的准确性

Aug, 2020

本文提出了一种基于Asymmetrical Siamese Feature Matching策略的点云自动完成网络ASFM-Net，利用Siamese自动编码器神经网络和迭代精细化单元来捕捉详细的形状先验信息， 在PCN数据集和Completion3D基准测试中表现出卓越的性能，并且以12%的优势赢得了Completion3D排行榜的第一名。

Apr, 2021

利用跨注意力机制和自我关注机制设计新型神经网络PointAttN，消除了现有方法中局部区域划分对点云密度分布敏感的问题，其在处理点云的过程中以点为基本单位进行计算，以简单而有效的方式直接建立点之间的短程和长程结构关系，因此可以精确地捕捉三维形状的结构信息，并预测具有高度详细几何形状的完整点云。PointAttN在Completion3D和PCN等流行基准测试中优于现有技术的表现，代码可在 https URL 上获取。

Mar, 2022

本文提出了一种名为Rotation-Invariant Completion Network (RICNet)的网络，它由两个部分组成：双流水线完成网络(DPCNet)和增强模块。RICNet在特征提取方面实现了更好的旋转不变性，并结合了人造对象的结构关系。实验证明，与现有方法相比，RICNet在点云的完成性能上表现出更好的表现。

Aug, 2023

我们提出了一个基于提示的点云补全框架，名为P2M2-Net，用于更可控和多样化的形状补全。通过使用Transformer模型，我们的框架能够高效地融合多模态特征并按照提示指导生成多样化的结果。我们在一个新的大规模PartNet-Prompt数据集上训练P2M2-Net，并在两个具有挑战性的形状补全基准上进行了广泛实验。定量和定性结果表明了引入提示进行更可控的部分感知点云补全和生成的有效性。

Dec, 2023