通过学习上采样中的相似性以利用深度网络中的成对交互作用，可以有效而高效地实现。通过借鉴现有上采样算子的一致数学模型，将它们泛化为形式化的第二阶段并引入具有相似性意识的上采样 (A2U)，该上采样算子可扩展到下采样中。实现效果得到了验证，并在两项细节敏感任务上实现了很高的性能。

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

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

我们提出了一种刷新的基于相似性的特征上采样框架（ReSFU），通过明确可控的查询 - 关键特征对齐和构建参数化的配对中心差分卷积块，实现了直接高倍率上采样，并在不同分割应用中实现了令人满意的性能。

Jul, 2024

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

本论文提出了一种名为 SASA 的新型集抽象方法，通过添加二进制分割模块和基于预测的前景分数的语义引导点采样算法来识别与前景物体相关的有价值的点，进而提升点云三维检测的性能。实验表明，SASA 可提升各种基于点云的检测器的性能，与体素方法媲美。

Jan, 2022

本研究提出了一种全新的、通过高分辨率图像引导的、精确高效的稀疏深度数据上采样方法，使用结构化边缘检测和语义场景标记来获取目标边缘线索，并将两种线索结合于测地距离度量中，进而在利用局部内容的情况下，实现了保持边界的深度插值，通过将观察到的场景结构建模为本地平面元素，并将上采样任务形式化为全局能量最小化问题，定出全局一致的解决方案，有效地保留了细节和深度边界，实验结果表明，与现有技术相比，本研究方法在不同的应用水平下均表现出卓越的性能。

Aug, 2016

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

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

提出一种联合几何和属性信息进行点云上采样的频率选择性上采样（FSU）方法，在几何模型采样和属性模型评估两个步骤中利用块式覆盖支持来提高点云的表面详细度和视觉效果，并在实验证明，在误差和颜色 PSNR 等方面优于其他常规方案。

Jan, 2023