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

本研究提出了一种基于条件去噪扩散概率模型（DDPM）的点云上采样方法，称为 PUDM。PUDM 通过对稀疏点云进行条件建模，学习了稠密点云和噪声之间的转换关系，并利用双映射范式提高点特征的辨别力。此外，PUDM 还通过参数化速率因子，在训练过程中利用稀疏点云和稠密点云之间的比例关系生成高质量的任意尺度点云，实验结果表明其具有较强的噪声鲁棒性，相比现有方法，在 Chamfer 距离和 Hausdorff 距离上取得了最先进的性能。

Dec, 2023

PPSurf 是一种结合了基于点卷积的全局先验和基于处理局部点云补丁的局部先验的方法，能够在恢复表面细节方面比当前最先进的方法更准确，同时对噪声具有鲁棒性。

Jan, 2024

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

本文提出了一种基于生成对抗网络（GAN）模型的新的点云上采样网络 PU-GAN，能够从潜在空间中学习到丰富的点分布并通过误差反馈和自校正实现对物体表面上的点的上采样，并通过鉴别器学习更多潜在模式以增强输出点的分布均匀性。定量和定性评估表明，PU-GAN 在分布均匀性、与物体表面的接近度以及三维重建质量方面，优于同类方法。

Jul, 2019

本研究提出了一种名为 Meta-PU 的新方法，通过一个模型支持任意比例的点云上采样，并且通过在 Meta-PU 方法中动态调整 RGC 块的权重和采用 farthest sampling 块对不同数量的点进行采样，可实现连续上采样。

Feb, 2021

本研究提出了一种基于深度神经网络的点集上采样方法，通过层级渐进式地使用级联的基于 path 的上采样网络训练，优化各级别的细节并提供一系列架构设计改进，以实现对于低分辨率点云输入的高保真细节重建。在定性和定量实验中，本方法在处理低分辨率输入和揭示高保真度细节方面，均显著优于现有的基于学习和优化的方法。

Nov, 2018

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