经典点云补全方法 (Classic Point Cloud Completion)
2018-2021 年间的确定性深度前馈网络方法。奠定了点云补全的基本范式，但受限于确定性映射的理论瓶颈。
Overview
在扩散模型主导之前，点云补全主要由编码器-解码器架构完成。这些方法将残缺点云编码为全局/局部特征，再解码为完整点云。训练使用 CD 等几何损失直接回归。
代表方法
PCN (Point Completion Network)
- 发布时间：2018
- 架构：非对称 Coarse-to-fine 编码器-解码器
- 流程：先输出低分辨率全局骨架点云 → 利用 FoldingNet 将 2D 网格折叠变形贴合三维表面 → 生成高密度细节
- 局限：骨架点云过稀疏，难以保留原始几何结构
AtlasNet
- 发布时间：2018
- 核心思想：学习多个参数化曲面元素的局部同胚映射，将 2D 平面块拼接成完整 3D 拓扑
- 优势：可处理复杂拓扑结构
- 局限：面片数固定，对细粒度结构的表达能力有限
FoldingNet
- 发布时间：2018
- 核心思想：将 2D 网格通过 MLP 学习到的变形场"折叠"到三维表面
- 意义：为后续 Coarse-to-fine 方法提供了基础操作范式
3D-EPN (3D Encoder Predictor Network)
- 核心机制：结合三维卷积与体素预测
- 局限：体素分辨率受限，输出粗糙
性能对比（ShapeNet，CD × 10³）
| 方法 | CD (16,384 点) | CD (2,048 点) |
|---|---|---|
| 3D-EPN | 20.15 | — |
| PointNet++ | 14.00 | — |
| FoldingNet | 10.07 | 16.48 |
| PCN | 9.64 | — |
共性局限
- 输出表面过度平滑，缺乏高频细节
- 损失函数（标准 CD）促使模型收敛到"平均形状"
- 缺乏概率建模能力，无法生成多样性结果
- 对严重残缺/噪声输入鲁棒性不足
Related
- point-cloud-completion — 点云补全总览
- loss-function-point-cloud — CD 及其改进
- pvd — 扩散方法突破了这些局限
Sources
- 三维点云生成条件控制综述 — 2026