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

最近深度学习点云上采样方法在改善自动驾驶系统的输入方面取得了进展，但仍然存在由于端到端学习导致的更密集点生成的不确定性问题。本文提出了一种基于射线的任意倍率上采样方法，通过隐式表面学习来模拟射线行进算法，实现更精确和稳定的射线深度预测。中点查询采样方法基于规则，能够在不需要使用 Chamfer 距离损失函数进行模型训练的情况下实现均匀的输出点分布。准确的输入点云内的真实地面信息使得自我监督学习成为可能。通过有限的计算资源和训练数据，结果证明了该方法在不同领域和训练场景中的多功能性。这使得上采样任务从学术研究过渡到实际应用。

Oct, 2023

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

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

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

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

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

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