Nous étudions le problème de la génération d'objets 3D. Nous proposons un cadre novateur, nommé Réseau antagoniste génératif 3D (3D-GAN), qui génère des objets 3D à partir d'un espace probabiliste en exploitant les progrès récents des réseaux de convolution volumétrique et des réseaux antagonistes génératifs. Les avantages de notre modèle sont triples : premièrement, l’utilisation d’un critère antagoniste, au lieu de critères heuristiques traditionnels, permet au générateur de capturer implicitement la structure des objets et de synthétiser des objets 3D de haute qualité ; deuxièmement, le générateur établit une application d’un espace probabiliste à faible dimension vers l’espace des objets 3D, ce qui permet d’échantillonner des objets sans nécessiter d’image de référence ni de modèles CAD, et d’explorer la variété des objets 3D ; troisièmement, le discriminateur antagoniste fournit un descripteur puissant de forme 3D, appris sans supervision, dont les applications sont nombreuses en reconnaissance d’objets 3D. Les expériences montrent que notre méthode permet de générer des objets 3D de haute qualité, et que les caractéristiques apprises de manière non supervisée atteignent des performances remarquables en reconnaissance d’objets 3D, comparables à celles des méthodes d’apprentissage supervisé.