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

本文介绍了 SP-GAN，一种新的无监督的球形引导生成模型，用于直接合成点云形式的三维形状。SP-GAN 可以合成各种高质量的具有细节和可控性的形状，同时不需要任何零件注释。

Aug, 2021

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

本文提出了一个有效和高效的三维点云生成网络 ——WarpingGAN，通过学习统一的局部变形函数将多个相同的预定义先验变形成驱动局部结构意识语义的三维形状，从而在一次训练后以单个轻量级网络的形式高效地生成具有各种分辨率的均匀分布的三维点云。

Mar, 2022

本文提出了一种基于人体几何先验知识的点云压缩框架，通过减少几何冗余以及提供拓扑学约束，实现了对高分辨率的人体点云数据的压缩，该方法在不降低数据质量的情况下，显著提高了压缩性能。

May, 2023

本文提出了一种名为 tree-GAN 的新型生成对抗网络用于 3D 点云生成，并引入树形图卷积网络 (TreeGCN) 作为 tree-GAN 的生成器以提高特征的表示能力，通过引入评估指标 FPD 来准确评估 3D 点云 GAN，实验结果表明了 tree-GAN 在传统度量和 FPD 方面都优于现有的 GAN，并且可以生成不同语义部分的点云。

May, 2019

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

本文提出了一种基于生成对抗网络（GAN）模型的新的点云上采样网络 PU-GAN，能够从潜在空间中学习到丰富的点分布并通过误差反馈和自校正实现对物体表面上的点的上采样，并通过鉴别器学习更多潜在模式以增强输出点的分布均匀性。定量和定性评估表明，PU-GAN 在分布均匀性、与物体表面的接近度以及三维重建质量方面，优于同类方法。

Jul, 2019

本研究提出了一种新型的 SG-GAN 模型，用于在单个图像的条件下生成高密度的脑点云。相比现有方法，实验结果表明该模型在视觉质量、目标度量和分类表现方面具有优越性。

May, 2023