论文标题：Diffusion Probabilistic Models for 3D Point Cloud Generation 论文链接：https://arxiv.org/abs/2103.01458 代码链接：https://github.com/luost26/diffusion-point-cloud 作者单位：北京大学 表现SOTA！性能优于ShapeGF、PointFlow等网络，代码即将开源！

我们提出了一种用于点云生成的概率模型，该模型对于各种3D视觉任务（例如形状完成，上采样，合成和数据增强）至关重要。 受非平衡热力学扩散过程的启发，我们将点云中的点视为与热浴接触的热力学系统中的粒子，这些粒子从原始分布扩散到噪声分布。 因此，点云的生成相当于学习反向扩散过程，该过程将噪声分布转换为所需形状的分布。 具体来说，我们提出将点云的逆扩散过程建模为以某些形状潜伏为条件的马尔可夫链。 我们导出了封闭形式的变分边界进行训练，并提供了模型的实现。 实验结果表明，我们的模型在点云生成和自动编码方面达到了最先进的性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除