基于学习的方法，从空中激光雷达点云中重构建筑物为 3D 多边形网格，通过引入生成模型来适应各种建筑形状和结构，通过直接从点云数据中学习，减少误差传播并提高重构的准确性，在苏黎世、柏林和塔林的空中激光雷达数据上进行实验证明了方法的良好泛化能力。

Mar, 2024

本文提出了一种用于从单一 2D 卫星图像中生成建筑物屋顶点云的深度学习框架 sat2pc，并在建筑物屋顶数据集上进行了广泛评估和消融实验，结果表明其性能优于现有基线方法至少 18.6％。

May, 2022

通过点云补全技术完成对不完整数据的处理，建立新的真实世界基准 Building-PCC 数据集来评估现有深度学习方法在城市建筑点云补全任务中的性能，并通过对不同方法的综合评估，分析在建筑点云补全中面临的关键挑战，旨在促进 3D 地理信息应用领域的创新。

Apr, 2024

提出了一种从无结构点云中重建网格的新框架，通过利用虚拟视图中三维点的可见性和基于传统图割的网格生成。与其他基于学习的方法相比，该方法只在二维二分类任务上进行学习，更加普适和实用。实验表明，在小型复杂物体上，该方法具有良好的可传递性和鲁棒性，并与最先进的学习方法相比具有竞争优势，并且在大型室内和室外场景中表现出色。

Aug, 2021

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

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

提出了一种名为 CAPNet 的不可分辨投影模块，采用多个前景掩膜作为监督数据，通过连续逼近点云点来建立投影模型，通过 'affinity loss' 损失公式规避了稀疏投影问题，显著优于现有基于投影的方法，可在缺乏大量 3D 数据的情况下构建高质量 3D 重建。

Nov, 2018

从点云重建计算机辅助设计（CAD）模型，结合计算机视觉、图形学和机器学习的重要问题。通过分析当前艺术状态并提出混合分析 - 神经重建方案，桥接分割的点云和结构化的 CAD 模型，借助新颖的隐式神经表示法提高表面拟合阶段的性能，达到了新的与该数据集的最新技术水平。

Dec, 2023

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

本研究提出一种新的两阶段方法，其中包括点云完成模块以恢复高质量的点密集提案和整个视图，同时设计了图神经网络模块，实现了全局本地关联机制和多尺度图形的上下文聚合，显著强化编码特征，实验表明，所提出的方法在 KITTI 基准测试中优于之前的基线算法，突出了其有效性。

Dec, 2020