1．PartNet数据集模拟了用户建模系统中部件级别缺失的不完整形状数据。通过原始PartNetM数据集中自带的语义分割标注，从其提供的物体点云中随机的移除至少一个部件的点云来生成部件级别缺失的不完整形状点云。我们使用原始PartNet中所提供的物体的完整点云来作为此数据集中的完整形状点云。
2．PartNet-scan数据集模拟了用户使用扫描仪扫描现实场景时所产生的含有部件级别的缺失的形状扫描数据。通过原始PartNet数据集中自带的语义分割标注，从其提供的物体模型中随机移除至少一个部件，然后再进行虚拟的单视角扫描以生成带有部件级别的缺失的扫描数据。我们对原始PartNet中的完整物体进行完整的虚拟扫描以生成此数据集??中的完整形状点云。
3.3D－EPN数据集是从ShapeNet缴据集中衍生而来，它提供了带有任意缺失形式的形状扫描数据。虽然原始的3D－EPN数据使用的是有向距离场的数据表示，我们仅使用其提供的点云形式的数据。我们使用ShapeNet中的物体的完整虚拟扫描来作为此数据集中的完整形状点云。PartNet和PartNet-scan中数据所使用的物体类别为chair，table和lamp，3D－EPN中数据所使用的物体类别为chair，airplane和table。每个数据集中的每个类训练单独一个网络。
评价指标
对于在测试数据集中的每个输入的不完整点云，测试产生k＝10个补全结果，并采用以下指标进行量化评估：
1．Minimal Matching Distase（MMD）用来衡量补全结果的形状處量。根据描述，我们计算补全的形状点云集合与测试集中的完整形状点云集合之间的MMD。
2．Total Mutaul Difference（TMD）通过累加计算k个补全结果中两两的差异性来衡量对一个不完整点云的进行多模态补全的结果中的多斧沒。
3．UHD用来衡量补全的结果相对于输入的不完整点云的．皮宽度，即补全结果对于不完整点云的部分的匹配程度。为此，我们计算从输入的不完整点云到k个补全结果中的每一个的单向Hausdorff距离，并取平均。