123,123,123

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。

關鍵詞： 点云生成深度生成模型生成对抗网络变分自编码器归一化流

中圖分類號：TP391.4 文獻標志碼：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云生成算法綜述[J]. 電子技術應用，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

點云是由大量離散空間點構成的非結構化數據，能夠高效表達物體或場景的三維幾何結構，已廣泛應用于自動駕駛[1]、機器人導航[2]、醫(yī)學影像[3]等多個關鍵領域。近年來，激光雷達（LiDAR）、結構光掃描、ToF相機等三維傳感技術的迅速發(fā)展，使高精度點云數據的獲取更加便捷高效，推動了點云相關算法的研究與應用。

點云生成旨在合成具有真實感、結構完整性和幾何多樣性的點云樣本，已成為三維視覺、計算機圖形學的研究熱點。生成的高質量點云樣本不僅可用于數據增強、提升下游任務模型的魯棒性，還在三維內容創(chuàng)作及醫(yī)學手術規(guī)劃等場景中具有重要價值。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腦部點云，為微創(chuàng)手術提供三維導航支持，提升了術中導航的準確度與可靠性。

然而，傳統(tǒng)的點云生成算法多依賴于人工設計的幾何先驗與顯式規(guī)則，難以有效建模復雜結構的分布特性。近年來，深度生成模型以數據驅動的新方式學習點云三維結構的潛在分布，無需人工設計幾何規(guī)則，即可生成高質量樣本。代表性的模型包括生成對抗網絡、變分自編碼器、自回歸模型、歸一化流和擴散模型，它們在生成樣本質量、多樣性等方面各具優(yōu)勢。此外，部分研究開始探索不同生成模型的混合架構，如Diff-pcg[5]等，以進一步提升生成質量與穩(wěn)定性，拓展了點云生成算法的技術邊界。

本文將詳細地介紹目前最新的基于深度生成模型的點云生成算法（分類如圖1所示），總結當前面臨的挑戰(zhàn)，并對未來的研究方向進行簡要探討。

本文詳細內容請下載：

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.寧波大學信息科學與工程學院，浙江寧波 315211；

2.浙江省移動網應用技術重點實驗室，浙江寧波 315211）

原創(chuàng)聲明：此內容為AET網站原創(chuàng)，未經授權禁止轉載。

相關內容