《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 人工智能 > 设计应用 > 基于深度生成模型的点云生成算法综述
基于深度生成模型的点云生成算法综述
电子技术应用
林志浩1，2，赵家池1，2，程卓1，2
1.宁波大学 信息科学与工程学院； 2.浙江省移动网应用技术重点实验室
摘要： 点云生成作为三维视觉领域的核心任务，在点云形状补全、点云上采样、点云合成等场景具有重要价值，广泛服务于自动驾驶、机器人导航及医学影像等关键领域。由于点云数据固有的无序性、稀疏性和复杂结构，传统几何建模方法难以高效生成高质量且多样化的点云样本。近年来，基于深度生成模型的点云生成技术快速发展，成为该领域的研究热点，极大地提高了点云生成的质量与效率。总结了基于深度生成模型的点云生成算法的前沿进展与当前面临的挑战，并对未来研究方向进行展望。
中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.257077
中文引用格式： 林志浩，趙家池，程卓. 基于深度生成模型的點(diǎn)云生成算法綜述[J]. 電子技術(shù)應(yīng)用，2026，52(2)：7-14.
英文引用格式： Lin Zhihao，Zhao Jiachi，Cheng Zhuo. A survey of point cloud generation algorithms based on deep generative models[J]. Application of Electronic Technique，2026，52(2)：7-14.
A survey of point cloud generation algorithms based on deep generative models
Lin Zhihao1，2，Zhao Jiachi1，2，Cheng Zhuo1，2
1.College of Information Science and Engineering， Ningbo University；2.Key Laboratory of Mobile Network Application Technology of Zhejiang Province
Abstract： As a core task in the field of 3D vision, point cloud generation plays a vital role in scenarios such as point cloud shape completion, upsampling, and synthesis. It is widely used in key application areas including autonomous driving, robot navigation, and medical imaging. Due to the inherent unordered nature, sparsity, and structural complexity of point cloud data, traditional geometric modeling methods struggle to efficiently generate high-quality and diverse point cloud samples. In recent years, point cloud generation techniques based on deep generative models have developed rapidly and become a research hotspot, significantly improving the quality and efficiency of point cloud generation. This paper reviews the latest progress and current challenges in point cloud generation algorithms based on deep generative models and discusses potential future research directions.
Key words : point cloud generation；deep generative model；generative adversarial network （GAN）；variational autoencoder （VAE）；normalizing flow；autoregressive model；diffusion model

引言

點(diǎn)云是由大量離散空間點(diǎn)構(gòu)成的非結(jié)構(gòu)化數(shù)據(jù)，能夠高效表達(dá)物體或場(chǎng)景的三維幾何結(jié)構(gòu)，已廣泛應(yīng)用于自動(dòng)駕駛[1]、機(jī)器人導(dǎo)航[2]、醫(yī)學(xué)影像[3]等多個(gè)關(guān)鍵領(lǐng)域。近年來，激光雷達(dá)（LiDAR）、結(jié)構(gòu)光掃描、ToF相機(jī)等三維傳感技術(shù)的迅速發(fā)展，使高精度點(diǎn)云數(shù)據(jù)的獲取更加便捷高效，推動(dòng)了點(diǎn)云相關(guān)算法的研究與應(yīng)用。

點(diǎn)云生成旨在合成具有真實(shí)感、結(jié)構(gòu)完整性和幾何多樣性的點(diǎn)云樣本，已成為三維視覺、計(jì)算機(jī)圖形學(xué)的研究熱點(diǎn)。生成的高質(zhì)量點(diǎn)云樣本不僅可用于數(shù)據(jù)增強(qiáng)、提升下游任務(wù)模型的魯棒性，還在三維內(nèi)容創(chuàng)作及醫(yī)學(xué)手術(shù)規(guī)劃等場(chǎng)景中具有重要價(jià)值。例如，Hu 等人[4]提出的 SG-GAN 模型從單張MRI圖像生成高精度的3D腦部點(diǎn)云，為微創(chuàng)手術(shù)提供三維導(dǎo)航支持，提升了術(shù)中導(dǎo)航的準(zhǔn)確度與可靠性。

然而，傳統(tǒng)的點(diǎn)云生成算法多依賴于人工設(shè)計(jì)的幾何先驗(yàn)與顯式規(guī)則，難以有效建模復(fù)雜結(jié)構(gòu)的分布特性。近年來，深度生成模型以數(shù)據(jù)驅(qū)動(dòng)的新方式學(xué)習(xí)點(diǎn)云三維結(jié)構(gòu)的潛在分布，無需人工設(shè)計(jì)幾何規(guī)則，即可生成高質(zhì)量樣本。代表性的模型包括生成對(duì)抗網(wǎng)絡(luò)、變分自編碼器、自回歸模型、歸一化流和擴(kuò)散模型，它們?cè)谏蓸颖举|(zhì)量、多樣性等方面各具優(yōu)勢(shì)。此外，部分研究開始探索不同生成模型的混合架構(gòu)，如Diff-pcg[5]等，以進(jìn)一步提升生成質(zhì)量與穩(wěn)定性，拓展了點(diǎn)云生成算法的技術(shù)邊界。

本文將詳細(xì)地介紹目前最新的基于深度生成模型的點(diǎn)云生成算法（分類如圖1所示），總結(jié)當(dāng)前面臨的挑戰(zhàn)，并對(duì)未來的研究方向進(jìn)行簡(jiǎn)要探討。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://ihrv.cn/resource/share/2000006962


作者信息：

林志浩1，2，趙家池1，2，程卓1，2

（1.寧波大學(xué) 信息科學(xué)與工程學(xué)院，浙江 寧波 315211； 

2.浙江省移動(dòng)網(wǎng)應(yīng)用技術(shù)重點(diǎn)實(shí)驗(yàn)室，浙江 寧波 315211）

2.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。