Wir untersuchen das Problem der 3D-Objekterzeugung. Wir stellen einen neuen Ansatz vor, den sogenannten 3D-generativen adversarialen Netzwerk (3D-GAN), der 3D-Objekte aus einem probabilistischen Raum erzeugt, indem er jüngste Fortschritte in volumetrischen neuronalen Netzwerken und generativen adversarialen Netzen nutzt. Unser Modell bietet drei wesentliche Vorteile: Erstens ermöglicht der Einsatz eines adversarialen Kriteriums anstelle herkömmlicher heuristischer Kriterien, dass der Generator die Struktur von Objekten implizit erfasst und hochwertige 3D-Objekte synthetisiert. Zweitens etabliert der Generator eine Abbildung von einem niedrigdimensionalen probabilistischen Raum auf den Raum von 3D-Objekten, sodass wir Objekte ohne Referenzbilder oder CAD-Modelle ableiten und die Mannigfaltigkeit der 3D-Objekte erkunden können. Drittens liefert der adversarische Diskriminator einen leistungsfähigen 3D-Form-Deskriptor, der ohne Überwachung gelernt wird und vielfältige Anwendungen im Bereich der 3D-Objekterkennung ermöglicht. Experimente zeigen, dass unsere Methode hochwertige 3D-Objekte erzeugt und die unsupervisierten, aus unseren Daten gelernten Merkmale eine beeindruckende Leistung in der 3D-Objekterkennung erzielen, die mit der von überwachten Lernmethoden vergleichbar ist.