深層ニューラルネットワークによる3Dデータ生成は、研究コミュニティにおいてますます注目を集めている。既存の多数の研究は、ボリュメトリックグリッドや画像の集合といった規則的な表現に依存しているが、これらの表現は3D形状が幾何変換に対して持つ自然な不変性を曖昧にし、他の多くの問題も抱えている。本論文では、単一の画像から3D再構成を行う問題に取り組み、出力として直感的な形式である点群座標を生成する。この問題に伴い、入力画像に対する真値形状が一意でないという特徴的かつ興味深い課題が生じる。この非従来型の出力形式と真値の内在的な不確実性を踏まえ、本研究では新しいかつ効果的なアーキテクチャ、損失関数および学習パラダイムを設計した。最終的な提案手法は、入力画像から複数の妥当な3D点群を予測可能な条件付き形状サンプラーである。実験の結果、本手法は単一画像に基づく3D再構成ベンチマークにおいて、最先端の手法を上回る性能を示すだけでなく、3D形状補完においても優れた性能を発揮し、複数の妥当な予測を生成する有望な能力を備えている。