Actualmente existen muchos modelos neuronales para la generación de datos 3D. Típicamente estos modelos se entrenan sobre un conjunto de entrada y se espera posteriormente puedan generar datos nuevos, dentro de la misma distribución de los datos de entrada. Generalmente estos modelos se evalúan con métricas que describen de alguna forma la pertenencia a una distribución. SIn embargo, realmente no sabemos si ciertas propiedades geométricas (que podemos conocer a priori) se preservan durante la generación. 

El objetivo de esta memoria/tesis es evaluar modelos generativos existentes (LION, MeshGPT, XCube, entre otros) y su capacidad para preservar propiedades geométricas. Todos estos modelos generativos tienen implementaciones disponibles, por lo que el trabajo aquí se concentrará en desarrollar la metodología de evaluación y los experimentos de validación.