为了更方便快速地获取三维模型，计算机图形学界的研宄人员们早己展开了有关计算机辅助建模或者三维模型程序化生成方面的研宄工作，如基于规则的结构化模型生成、基于优化的结构化模型生成、基于学习的非结构化模型的生成、以及基于学习的结构化模型的生成岡等等。

随着三维深度学习的不断发展，针对三维模型数据获取过程中所产生的不完整形状数据，研宄人员们也已提出了不同的基于深度神经网络的补全方法来生成完整的三维形状数据。如基于三维卷积网络对体素化表示的形状数据进行补全的方或为了避免体素化过程所带来的几何信息损失，直接在点云数据上进行形状补全的方法。然而，现有的这些研宄工作全都诉诸于学习一个参数化模型（即一个深度神经网络）作为不完整形状到完整形状的补全映射，但学习到的映射函数仅是一个单射函数。因此，这些方法对不完整数据的补全只能输出单个确定的结果，而忽略了补全缺失部分时的歧义性。

不同于这些大部分工作，对建模过程中或扫描重建过程中产生的不完整形状数据的缺失部分进行研宄，提出一种多模态形状补全方法，可对单个不完整形状输入产生多个不同的补全建议结果，从而可对普通用户交互建模的中间结果进行智能补全建议，或者普通用户只需进行单帧扫描后即可进行智能补全，快速地生成三维几何模型，大大提升了普通用户在获取生成三维模型时的便捷性。