为了对用户建模的中间结果或对扫描的缺失数据进行智能补全建议，提出一种可对不完整形状数据产生多种不同补全结果的方法，利用深度神经网络，从数据中学习一个不完整形状到完整形状的多模态补全方法。
（２）三维模型的分解与排列的联合优化方法
形式化描述三维模型的分解与排列问题，并将三维模型的分解与排列问题耦合在一起考虑，提出了一种可行的优化算法，以大型三维模型在普通打印机上的便捷式3D打印为目标，对三维模型的分解与排列进行联合优化，可以优化搜索得到最优的分解与排列，以在普通打印机上进行快速、经济、便捷的大型三维模型的打印。
（３）基于预制造通用模块填充的三维模型分解优化方法
提出一种新的三维模型的分解填充算法，以便捷地使用普通打印机进行低成本打印为目标，将三维模型分解成外壳部分和内核部分，内核使用可快速、经济预制造的通用模块进行组装，以对三维模型内部大量空间进行替换填充，大大节省了实心打印内部空间所带来的耗材和耗时，而仅三维模型的外壳部分将被进一步分解成利于3D打印的块，进行实际的3D打印。
条件对抗生成网络在形状补全上的应用
为了解决普通用户获取三维模型的过程便携性差的问题，将条件对抗生成网络模型引入到三维几何生成中不完整形状的补全问题中，以达到快速几何生成的目的。在对不同生产环境所产生的不完整形状数据的补全中，为了克服获取训练监督数据的困难，创新性地使用了对抗生成网络，对形状缺失的部分以生成式建模的方式进行补全，从而无需成对的监督数据来训练深度神经网络；另外，由于在对不完整形状进行补全时，特别是在用户交互建模的中间过程中，不完整形状的缺失部分的补全往往具有歧义性，补全的结果可能具有不同的形态，因此提出对所有可能补全结果中的多模态分布进行建模，并以这个多模态分布作为条件输入来进行生成式的建模补全，这样可以对一个不完整形状产生多个具有不同形态的补全输出。