随着近些年自动驾驶技术、激光扫描技术和机器人技术等的蓬勃发展,我们需要更多的信息来获得更好的环境感觉,而不仅仅是依靠图像、视频,这时三维数据就是一个很好的补充。三维点云因为其表达形式比较简单并且可以从激光雷达设备直接获得等优势而广泛应用在计算机视觉的三维数据表示。伴随着深度学习在三维视觉中的发展,生成或重建高分辨率、高保真的点云的能力变得至关重要。尽管深度学习模型最近在点云分类、点云目标检测和点云分割任务中取得了巨大成功,但点云生成任务仍然具有重大挑战性。深度生成模型已被证明在生成点云任务中是有效的,比如已经出现了基于变分自动编码器和基于生成对抗网络的点云生成模型。但是,他们这些生成模型有着生成样本不清晰和训练不稳定等问题,同时,具有精确的对数似然评估和精确的隐变量推断优势的流模型仍处于起步阶段。基于此,本文提出了一种基于流模型的三维点云生成方法。具体来说,我们训练一个两级的架构,第一级架构使用基于流模型的深度神经网络对点云的分布进行建模,使之可以重建出点云;第二级架构使用基于流模型的深度神经网络对点云形状的分布进行建模,使其可以生成多种不同形状的点云。流模型深度神经网络的可逆性使得端到端地训练模型成为了可能,同时,流模型精确的对数似然估计和高效的隐变量推断能力使得生成高质量的点云成为了可以实现的事情。为了进一步提高模型的泛化能力,并提升生成新点云的质量,本文提出了对点云数据添加随机扰动和随机旋转的方式来达到数据增强的目的,这种数据增强方式在点云生成任务中还未被研究。我们在公开数据集的不同类别上分别评估提出的模型,证明了本文的基于流模型的点云生成方法可以准确地估计各种点云形状的分布,同时在生成新点云样本方面取得了良好的成绩,可以满足点云补全、上采样、合成等多项任务的需求。