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

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

本研究提出了一种基于深度学习的点云自适应采样和恢复方法称为点云局部可逆嵌入（PointLIE），实现了点云采样和重建的统一框架，通过双向学习，提高了采样点的恢复质量，并在定量和定性方面均优于现有的技术。

Apr, 2021

本文提出一种新颖的方法 PC$^2$-PU，该方法探索了点与点之间、补丁与补丁之间的关联性以实现更有效和更稳健的点云升采样，并实验证明该方法优于以往的升采样方法。

Sep, 2021

本文提出了一种基于点扩散和精化的点云补全范式，其中条件生成网络使用去噪扩散概率模型生成粗糙补全， 精修网络进一步改进完成后的点云的质量，并开发了一个新的双向路径架构。 这种架构既能从部分观察到的点云中有效地提取多级特征以指导补全，也能准确地操纵三维点的空间位置以获得光滑的表面和清晰的细节。通过广泛的实验，证明了本文提出的方法在点云完成方面优于以往的最先进方法。值得注意的是，在精细网络的帮助下，我们可以将DDPM的迭代生成过程加速50倍，而不会影响其性能。

Dec, 2021

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

通过学习的点云上采样方法iPUNet，可以在任意比例下生成密集、均匀的点，更好地捕捉尖锐特征；通过引入与尖锐几何特征对齐的横向场，使得生成的点在特征感知方面更优秀；同时，在横向场引导的上采样基础上，通过迭代策略将稀疏点移动到期望的连续三维表面上，使得稀疏点均匀分布且对应的密集样本更加均匀，更加准确地捕捉几何特征。经过广泛的对象和场景扫描评估，证明iPUNet能够处理嘈杂和非均匀分布的输入，优于现有的点云上采样方法。

Oct, 2023

提出了一种学习局部先验引导的无符号距离场的点云上采样方法，稀疏点云通过局部一致性表示，通过在学习的隐式场的零级集上生成稠密点云，实验结果在综合数据和真实扫描中显示出最先进的效果。

Dec, 2023

提出了一种基于重建评分策略的采样方法，通过去除和重建顶点来评估每个顶点的重要性。此方法在保留点云整体几何特征的同时避免破坏小尺度结构，在保留采样点云的结构特征方面优于先前方法。

Mar, 2024

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