本研究提出了一种基于图卷积和变压器结合的点云上采样方法 PU-EdgeFormer，能够同时学习点云的局部和全局结构，通过实验证明在客观和主观方面都优于现有的最先进方法。

May, 2023

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

我们提出了一种新的深度点云处理架构的多功能建筑块，该建筑块将空间转换器和多视图卷积网络的思想与二维和三维密集网格中标准卷积层的效率相结合，实现信息的多个并行头的协同作业，以更新点特征，取得了点云处理方面生成和判别任务的最新成果。

Jul, 2020

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

本文介绍了一种基于 Fast Point Transformer 的新型轻量级自我关注层的方法，用于对大型 3D 场景进行处理和提高计算效率，并应用于 3D 语义分割和 3D 检测，具有与基于体素的最佳方法相竞争的准确性和比 Point Transformer 更快的推理时间。

Dec, 2021

TULIP 是一种用于从低分辨率 LiDAR 输入中重建高分辨率 LiDAR 点云的新方法，通过修改基于范围图像的 Swin-Transformer 网络的补丁和窗口几何形状，以更好地适应范围图像的特性，TULIP 在所有相关指标上优于最先进的方法，生成比先前的工作更强大和更真实的点云。

Dec, 2023

将任务级信息整合到编码阶段，采用软掩码并使用任务级查询和关键字生成的注意力权重学习来增强 SMTransformer 的性能，同时通过跳跃注意力上采样块动态融合来自编码和解码层的各种分辨率点的特征，以在点云处理任务中实现最先进的语义分割结果。

Mar, 2024

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