输入数据的不完整度的影响。当输入点云的不完整度增大的时候，形状补全问题将面临的更多的歧义性。因此，当输入的不完整度増大的时候，多模态形状补全的方法最好可以以更加丰富多样的形状来进行补全。为此，在PartNet数据集上进行测试，通过控制不完整点云中缺失的部件个数，可以产生带有不同不完整度的输入点云并进行测试。展示方法结果中的补全多样性关于输入数据的不完整度的变化。随着输入数据的不完整度的增加，方法的补全结果将呈现出更高的多样性（更高的TMD）。根据对应不同输入完整度的一个补全结果示例，可以看到，当输入数据很完整的时候，所产生的多个补全结果间的变化几乎难以察觉；而当输入数据的缺失情况很严重的时候，方法将产生多种多样的补全结果。
维模型的几何快速生成是提升3D打印整体流程的便捷性和大规模普及个性化定制3D打印的基础，现有的三维模型获取的方法中存在着大量需要补全的缺失形状数据。因此，为了提升三维模型的获取生成过程的便捷性，提出了一种基于深度神经网络的三维形状补全方法，对用户交互建模系统中或使用扫描仪扫描重建过程中所产生的不完整形状数据进行智能补全，以快速地生成三维几何。为了解决补全形状缺失部分时的歧义性和获取训练监督数据的困难性，方法创新性地将条件对抗生成网络应用于三维形状点云的补全任务中，可以实现三维形状的多模态补全而无需成对的监督数据。在实验方面，将三维形状的多模态补全方法应用于多个具有不同形状缺失形式（如建模过程中的缺失，扫描重建过程中的缺失）的数据集上，并与不同的方法进行了直接比较，证明了应用本章所提的多模态补全方法，能够高效地生成高质量且多样的完整三维形状补全结果。