本文提出了一种数据驱动的三维点云上采样技术，通过在特征空间中隐式地学习多层次特征并扩展点集，进而构建高密度点集，并在表面均匀分布的基础上实现采样点的重构，实验结果表明该方法的优越性。

Jan, 2018

本文提出了一种基于学习的框架，通过自适应地分析输入点云的局部几何结构，设计出轻量级神经网络来统一、排序插值权重以及高阶细化，从而生成具有密集点云的物体 / 场景，并处理非均匀分布和噪声数据，该方法于现实世界中的各种上采样因子都可运作，并在合成和实际数据上均获得了优于现有方法的表现。

Nov, 2020

本文提出了一种基于深度神经网络的数据驱动算法，使用 Chamfer 距离作为损失函数对 3D 散点云进行上采样，该算法不需要硬编码规则，并能够学习属于不同对象类别的点云的潜在特征，实验结果表明，相比基于优化的上采样方法，该算法能够生成更加均匀和精确的上采样结果。

Jul, 2018

3D 传感器获取的点云通常稀疏且嘈杂，点云上采样是一种提高点云密度以恢复详细几何信息的方法。本文提出了一种用于点云上采样的双重背投影网络（DBPnet）。通过采用上下上的方式进行双重背投影，网络不仅对特征残差进行反投影，还对坐标残差进行反投影，从而更好地捕捉特征和空间域中的点关联性，并在均匀和非均匀稀疏点云上实现较低的重构误差。我们的方法也适用于任意上采样任务（例如 4 倍，5.5 倍）。实验结果表明，该方法在与基准点集匹配损失方面实现了最低值。此外，我们方法的成功也证明了非均匀点云不一定需要生成网络。

Jul, 2023

本文提出了一种新的点云表示 Neural Points，并将其应用于任意分解上采样任务中。相较于传统的点云表示，每个点在 Neural Points 中通过神经场表示局部连续几何形状，因此 Neural Points 包含更多的形状信息并具有更强的表征能力。实验证明，Neural Points 在任意分辨率上对点云进行重新采样的表现优于最先进的点云上采样方法。

Dec, 2021

该研究针对 3D 扫描时获得的稀疏、非均匀和嘈杂点云，提出了一种基于多目标的两级级联网络，包括稠密生成器和空间细化器，能够生成密集的均匀点集，同时修补小洞并调整每个点的位置，结果表明该方法优于现有技术。

Jun, 2021

使用深度神经网络从单一图像中重建 3D 点云坐标，设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法，包括条件形状采样器，能够预测多个可能的 3D 点云。在实验中表现优异，不仅在单图像 based 3D 重建基准测试中胜过现有技术，也在形状补全方面表现出强大性能，有望在多个可能性预测方面表现出色。

Dec, 2016

最近，基于点云的任意尺度上采样机制因其在实际应用中的效率和便利性而越来越受欢迎。为了解决从稀疏点云学习表面表示所面临的挑战，我们提出了一种使用基于体素网络的任意尺度点云上采样框架（PU-VoxelNet）。通过利用体素表达的完整性和规律性，体素网络能够提供预定义的网格空间来近似三维表面，并根据每个网格单元内的预测密度分布重建任意数量的点。进一步，为了改善细节，我们提供了一种辅助训练监督方法，以强制实现局部表面块之间的潜在几何一致性。广泛的实验证明，所提出的方法在固定上采样率和任意尺度上采样方面都优于现有技术。

Mar, 2024

本论文介绍了一种基于 transformer 模型的多头自注意力结构和位置融合块的点云上采样方法，并通过定量和定性的对比实验证明了其优越性能。

Nov, 2021

提出了一种自监督的点云上采样方法 SPU-Net，该方法利用深度学习模型和 GCN 捕获点云上采样的内在模式，具有解决真实数据稀疏问题的能力。实验表明，该方法与现有的监督方法相比具有可比性能。

Dec, 2020