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

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

该研究提出一种支持任意上采样率的点云高精度上采样方法，包括插值和迭代优化等步骤，经过大量的基准测试和下游任务的验证，表明该方法达到了最先进的准确性和效率。

Apr, 2023

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

通过使用基于边界采样的方法和基于熵的优化过程，我们提出一种从稀疏输入中学习占据场的方法，并展示了该方法在隐式形状推断方面相对于基线方法和现有技术的有效性。

Apr, 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

本研究提出了一种从原始点云直接学习一致性感知无符号距离函数的新方法，以进行表面重建，同时引入了多边形化算法以直接从学习的 UDF 的梯度场中提取表面。实验结果表明，在合成和真实扫描数据的表面重建方面，该方法在广泛使用的基准测试中明显优于现有技术。

Oct, 2022

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

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