3Dポイントクラウドが複数のビジョンおよびグラフィックスアプリケーションの表現方法として選ばれるようになるにつれて、高解像度で高忠実度のポイントクラウドを合成または再構築する能力は極めて重要となっています。深層学習モデルがポイントクラウドの判別タスクにおいて最近大きな成功を収めていますが、ポイントクラウドの生成は依然として困難な課題です。本論文では、3Dポイントクラウドを分布の分布としてモデル化することにより生成するための原理的な確率的フレームワークを提案します。具体的には、形状の分布と形状が与えられた場合の点の分布という2つの階層的な分布を学習します。この定式化により、形状をサンプリングし、任意の形状から任意数の点をサンプリングすることが可能になります。私たちが提案する生成モデル「PointFlow」は、各レベルの分布を連続正規化フローで学習します。正規化フローの可逆性により、訓練中に尤度を計算でき、変分推論フレームワークでモデルを訓練することが可能です。実験結果から、PointFlowはポイントクラウド生成において最先端の性能を達成していることを示しています。さらに、私たちのモデルが無教師学習によって有用な表現を学びつつ忠実にポイントクラウドを再構築できることも示しています。コードはhttps://github.com/stevenygd/PointFlowで公開されます。