引言
点云是由大量离散空间点构成的非结构化数据，能够高效表达物体或场景的三维几何结构，已广泛应用于自动驾驶[1]、机器人导航[2]、医学影像[3]等多个关键领域。近年来，激光雷达（LiDAR）、结构光扫描、ToF相机等三维传感技术的迅速发展，使高精度点云数据的获取更加便捷高效，推动了点云相关算法的研究与应用。
点云生成旨在合成具有真实感、结构完整性和几何多样性的点云样本，已成为三维视觉、计算机图形学的研究热点。生成的高质量点云样本不仅可用于数据增强、提升下游任务模型的鲁棒性，还在三维内容创作及医学手术规划等场景中具有重要价值。例如，Hu 等人[4]提出的 SG-GAN 模型从单张MRI图像生成高精度的3D脑部点云，为微创手术提供三维导航支持，提升了术中导航的准确度与可靠性。
然而，传统的点云生成算法多依赖于人工设计的几何先验与显式规则，难以有效建模复杂结构的分布特性。近年来，深度生成模型以数据驱动的新方式学习点云三维结构的潜在分布，无需人工设计几何规则，即可生成高质量样本。代表性的模型包括生成对抗网络、变分自编码器、自回归模型、归一化流和扩散模型，它们在生成样本质量、多样性等方面各具优势。此外，部分研究开始探索不同生成模型的混合架构，如Diff-pcg[5]等，以进一步提升生成质量与稳定性，拓展了点云生成算法的技术边界。
本文将详细地介绍目前最新的基于深度生成模型的点云生成算法（分类如图1所示），总结当前面临的挑战，并对未来的研究方向进行简要探讨。
本文详细内容请下载：
http://www.chinaaet.com/resource/share/2000006962
作者信息：
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，浙江 宁波 315211；
2.浙江省移动网应用技术重点实验室，浙江 宁波 315211）
