用户创建新颖的3D数字形状是一个费力的过程，需要技术知识。因此，需要创建形状的计算机算法。然而，目前的方法需要大量的训练数据集。

arXiv.org最近的一篇论文提出了一种深度生成模型，该模型仅从单个3D形状中学习，无需任何手动注释或外部数据。

该模型可以产生多种形状变化，同时保留输入形状中呈现的全局结构。该方法基于单图像生成对抗网络(GAN)的进步，其目标是学习图像块在单个输入图像上的分布。

类似地，所提出的生成模型基于在输入3D整形器的体素金字塔上训练的多尺度、分层GAN架构。研究人员对不同类别的各种3D形状进行定性和定量评估并展示生成结果。

现有的3D形状生成模型通常在大型3D数据集上进行训练，通常是特定对象类别。在本文中，我们研究了仅从单个参考3D形状中学习的深度生成模型。具体来说，我们提出了一个基于GAN的多尺度模型，旨在捕获输入形状在一系列空间尺度上的几何特征。为了避免在3D体积上操作引起的大内存和计算成本，我们在三平面混合表示之上构建了我们的生成器，它只需要2D卷积。我们在参考形状的体素金字塔上训练我们的生成模型，无需任何外部监督或手动注释。一旦经过训练，我们的模型可以生成可能具有不同大小和纵横比的各种高质量3D形状。生成的形状呈现不同尺度的变化，同时保留参考形状的全局结构。通过定性和定量的广泛评估，我们证明我们的模型可以生成各种类型的3D形状。