Weighted Reverse Convolution for Feature Upsampling
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；The Hong Kong Polytechnic University（香港理工大学）；Nanjing University（南京大学）
本文提出加权反卷积（WRC），从逆问题的角度重新审视视觉基础模型中的特征上采样，通过空间自适应的逆操作提升高层视觉描述符的密度，从而在需要细粒度定位、密集预测和点对应的任务中提升性能。
2026-05-20 cs.CV
Point Cloud Upsampling via Cascaded Refinement Network
Hikvision Research Institute（海康威视研究院）
点云上采样侧重于生成密集、均匀且接近曲面的点集。大多数以前的方法通过仔细设计单级网络来实现这些目标，这使得生成高保真点分布仍然具有挑战性。相反，以粗到细的方式对点云进行上采样是一种不错的解决方案。然而，现有的从粗到精的上采样方法需要额外的训练策略，这在训练期间是复杂且耗时的。在本文中，我们提出了一个简单而有效的级联细化网络，由三个生成阶段，具有相同的网络架构，但实现不同的目标。具体地，前两个上采样阶段逐步生成密集但粗糙的点，而最后一个细化阶段进一步将粗糙点调整到更好的位置。为了减轻多个阶段之间的学习冲突并降低回归新点的难度，我们鼓励每个阶段预测相对于输入形状的点偏移。以这种方式，所提出的级联细化网络可以很容易地优化，而无需额外的学习策略。此外，我们设计了一个基于变换的特征提取模块来学习信息丰富的全局和局部形状上下文。在推理阶段，我们可以根据可用的计算资源动态调整模型的效率和有效性。在合成数据集和实际扫描数据集上的实验表明，该方法优于现有的最先进的方法。
2022-10-08 cs.CV
PU-GAN: a Point Cloud Upsampling Adversarial Network
The Chinese University of Hong Kong（香港中文大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Tel Aviv University（特拉维夫大学）
从距离扫描获得的点云通常是稀疏的、有噪声的和不均匀的。本文提出了一种新的点云上采样网络PU-GAN，它是基于生成对抗网络（GAN）制定的，从潜在空间学习丰富的点分布，并在物体表面上的补丁上采样点。为了实现一个工作的GAN网络，我们在生成器中构建了一个向上-向下-向上扩展单元，用于具有误差反馈和自校正的上采样点特征，并制定了一个自注意单元，以增强特征集成。此外，我们设计了一个复合损失与对抗，均匀和重建条款，鼓励学习更多的潜在模式，提高输出点分布的均匀性。定性和定量的评价表明，我们的结果在分布均匀性，接近表面，和三维重建质量方面的国家的最先进的质量。
2019-07-25 cs.CV
SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable Rendering
Nanjing University of Science and Technology（南京理工大学）
从3D传感器获得的点云通常是稀疏的。现有的方法主要集中在通过使用密集的地面实况点云以监督的方式对稀疏点云进行上采样。在本文中，我们提出了一个自监督点云上采样网络（SSPU-Net），以生成密集的点云，而不使用地面实况。为了实现这一点，我们利用输入稀疏点云和生成的密集点云的形状和渲染图像之间的一致性。具体来说，我们首先提出了一个邻居扩展单元（NEU）来上采样稀疏点云，其中稀疏点云的局部几何结构被用来学习点插值的权重。然后，我们开发了一个可微分点云渲染单元（DRU）作为我们的网络中的一个端到端的模块渲染点云到多视图图像。最后，我们制定了一个形状一致的损失和图像一致的损失训练网络，使稀疏和密集的点云的形状是尽可能一致的。在CAD和扫描数据集上的广泛结果表明，我们的方法可以以自我监督的方式取得令人印象深刻的结果。代码可在https://github.com/fpthink/SSPU-Net上获得。
2021-08-03 cs.CV
SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization
Tsinghua University（清华大学）；Wayne State University（韦恩州立大学）
点云上采样的目的是从稀疏的、不规则的点集中获取稠密的、均匀的点集。虽然深度学习模型已经取得了重大进展，但最先进的方法需要地面真实密集点集作为监督，这使得它们仅限于在合成配对训练数据下训练，而不适合在真实扫描稀疏数据下训练。然而，从实际扫描的稀疏数据中获取大量成对的稀疏-稠密点集作为监督是昂贵和繁琐的。为了解决这个问题，我们提出了一个自监督的点云上采样网络，名为SPU-Net，以捕获位于底层对象表面上的点的固有上采样模式。具体来说，我们提出了一个由粗到细的重建框架，它包含两个主要组成部分：点特征提取和点特征扩展，分别。在点特征提取中，我们将自注意模块与图卷积网络（GCN）相结合，同时捕获局部区域内部和区域之间的上下文信息。在点特征扩展中，我们引入了一种分层可学习的折叠策略来生成具有可学习的2D网格的上采样点集。此外，为了进一步优化生成的点集中的噪声点，我们提出了一种新的自投影优化与均匀和重建项作为联合损失，以促进自监督点云上采样。我们对合成和真实扫描的数据集进行了各种实验，结果表明我们实现了与最先进的监督方法相当的性能。
2022-06-11 cs.CV
PU-Flow: a Point Cloud Upsampling Network with Normalizing Flows
South China University of Technology（华南理工大学）；City University of Hong Kong（香港城市大学）；Tsinghua University（清华大学）；Nanyang Technological University（南洋理工大学）
点云上采样的目的是从给定的稀疏点云生成稠密点云，这是一个具有挑战性的任务，由于点集的不规则和无序的性质。为了解决这个问题，我们提出了一种新型的基于深度学习的模型，称为PU-Flow，它结合了标准化流和权重预测技术，以产生均匀分布在底层表面上的密集点。具体而言，我们利用归一化流的可逆特性来转换欧几里得空间和潜在空间之间的点，并将上采样过程制定为潜在空间中相邻点的集合，其中集合权重从局部几何上下文自适应地学习。大量的实验表明，我们的方法是有竞争力的，在大多数测试情况下，它优于国家的最先进的方法在重建质量，接近表面的精度，和计算效率。源代码将在https://github.com/unknownue/pu-flow上公开。
2022-06-08 cs.CV
Joint Point Cloud Upsampling and Cleaning with Octree-based CNNs
Peking University（北京大学）
本文提出一种基于八叉树3D U-Net的简单高效方法，在单个网络中联合完成点云上采样与清理，整体处理点云使推理速度提升至少47倍，并在多个基准上取得最先进性能。
2024-10-22 cs.CV
Representation Learning of Point Cloud Upsampling in Global and Local Inputs
East China University of Science and Technology（东华大学）；The Hong Kong Polytechnic University（香港理工大学）
本研究提出ReLPU框架，通过结合全局和局部特征学习提升点云上采样的性能和可解释性。
2025-06-19 cs.AI cs.CV
PU-EVA: An Edge Vector based Approximation Solution for Flexible-scale Point Cloud Upsampling
University of Macau（澳门大学）；South China University of Technology（华南理工大学）；Institute of Microelectronics Chinese Academy of Sciences（中国科学院微电子研究所）
高质量的点云数据对于基于点的绘制、语义理解和曲面重建等具有重要的现实意义。对稀疏、有噪声和不均匀的点云进行上采样以获得目标对象的更密集和更规则的近似是一项理想但具有挑战性的任务。大多数现有的方法复制点特征用于上采样，以固定速率约束上采样比例。在这项工作中，灵活的上采样率通过基于边缘向量的仿射组合，并提出了一种新的设计基于边缘向量的近似的大规模点云上采样（PU-EVA）。基于边缘向量的近似通过基于边缘向量的仿射组合对相邻连接进行编码，并将近似误差限制在泰勒展开式的二阶项内。EVA上采样算法将上采样尺度与网络结构相结合，在一次训练中实现灵活的上采样率。定性和定量的评价表明，拟议的PU-EVA优于国家的最先进的接近表面，分布均匀性，几何细节的保留。
2022-04-22 cs.CV
DMF-Net: Image-Guided Point Cloud Completion with Dual-Channel Modality Fusion and Shape-Aware Upsampling Transformer
South China University of Technology（华南理工大学）；Nanyang Technological University（南洋理工大学）
本文提出DMF-Net，通过双通道模态融合和形状感知上采样Transformer，以由粗到细的方式实现图像引导的点云补全，在ShapeNet-ViPC数据集上优于现有方法。
2024-06-25 cs.CV
"Zero-Shot" Point Cloud Upsampling
Wayne State University（韦恩州立大学）；Tsinghua University（清华大学）
最近的监督点云上采样方法受到训练数据大小的限制，并且在覆盖所有对象形状方面受到限制。除了由于数据采集而面临的挑战外，网络还很难对看不见的记录进行概括。在本文中，我们提出了一种内部点云上采样方法在整体水平称为“Zero-Shot”点云上采样（ZSPU）。我们的方法与数据无关，仅依赖于特定点云提供的内部信息，而不会在自我训练和测试阶段进行修补。这种单流设计通过学习低分辨率（LR）点云与其高（原始）分辨率（HR）对应点云之间的关系，显著减少了训练时间。当原始点云被加载为输入时，该关联将提供超分辨率（SR）输出。与其他上采样方法相比，ZSPU在基准数据集上实现了具有竞争力/优越的定量和定性性能。
2022-04-18 cs.CV
BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling
National University of Singapore（新加坡国立大学）；Massachusetts Institute of Technology（麻省理工学院）
多尺度特征的学习和聚合是使神经网络能够在点云上采样任务中捕获细粒度几何细节的关键。大多数现有的方法提取多尺度特征从一个固定的分辨率的点云，因此只能获得有限的细节水平。虽然现有的方法从级联的上采样子网络聚合不同分辨率的特征层次，但训练复杂且计算昂贵。为了解决这些问题，我们构建了一个新的点云上采样流水线BIMS-PU，它将特征金字塔结构与双向上采样和下采样路径相结合，具体地说，我们通过将目标采样因子分解为更小的因子，将上采样/下采样过程分解为几个上采样/下采样子步骤。多尺度特征以并行方式自然产生，并使用快速特征融合方法聚合。监控信号同时应用于不同尺度的所有上采样点云。此外，我们制定了一个残差块来简化模型的训练。在不同数据集上进行的大量定量和定性实验表明，我们的方法比最先进的方法取得了更优越的结果。最后但并非最不重要的是，我们证明了点云上采样可以通过改善3D数据质量来改善机器人感知。
2022-06-25 cs.CV
PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling
Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）；School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）
本文讨论了从给定的稀疏点云生成均匀稠密的点云来描述底层几何结构的问题。由于点云的不规则性和无序性，点云加密作为一项生成任务具有挑战性。为了应对这一挑战，我们提出了一种新的基于深度神经网络的方法，称为PUGeo-Net，它为每个输入点学习$3\times 3$线性变换矩阵$\bf T$。矩阵$\mathbf T$近似局部参数化的增广雅可比矩阵，并在2D参数域和3D切平面之间建立一对一的对应关系，以便我们可以将自适应分布的2D样本（也是从数据中学习的）提升到3D空间。然后，我们通过计算沿切平面法线的位移将样本投影到曲面上。PUGeo-Net与现有的深度学习方法有着根本的不同，这些方法主要是由图像超分辨率技术驱动的，并在抽象特征空间中生成新的点。由于其以几何为中心的性质，PUGeo-Net适用于具有清晰特征的CAD模型和具有丰富几何细节的扫描模型。此外，PUGeo-Net还可以计算原始点和生成点的法线，这是曲面重建算法非常需要的。计算结果表明，PUGeo-Net是第一个可以联合生成顶点坐标和法线的神经网络，在上采样因子$4\sim 16$的准确性和效率方面始终优于最先进的神经网络。
2020-03-07 cs.CV
PU-GCN: Point Cloud Upsampling using Graph Convolutional Networks
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
基于学习的点云上采样流水线的有效性严重依赖于其中使用的上采样模块和特征提取器。对于点上采样模块，我们提出了一种称为NodeShuffle的新模型，该模型使用图卷积网络（GCN）来更好地编码来自点邻域的局部点信息。NodeShuffle是通用的，可以合并到任何点云上采样管道中。大量的实验显示了NodeShuffle如何始终如一地改进最先进的上采样方法。对于特征提取，我们还提出了一种新的多尺度点特征提取器，称为Inception DenseGCN。通过在多个尺度上聚合特征，该特征提取器能够在最终上采样点云中进一步提高性能。我们将Inception DenseGCN与NodeShuffle结合到一个新的点上采样管道中，称为PU-GCN。PU-GCN以更少的参数和更有效的推理设置了新的最先进的性能。
2021-03-29 cs.CG cs.CV cs.LG
SPU-IMR: Self-supervised Arbitrary-scale Point Cloud Upsampling via Iterative Mask-recovery Network
Northwestern Polytechnical University（西北工业大学）；Shenzhen University（深圳大学）
提出一种将点云上采样视为全局形状补全的自监督方法，通过分块、掩码和迭代恢复网络实现任意尺度上采样，实验证明优于现有自监督和监督方法。
2025-02-26 cs.CV eess.IV
Point Cloud Upsampling via Disentangled Refinement
The Chinese University of Hong Kong（香港中文大学）
由3D扫描产生的点云通常是稀疏的、不均匀的和有噪声的。最近的上采样方法旨在生成密集的点集，同时实现分布均匀性和接近表面，并可能修改小孔，所有这些都在单个网络中。在重新审视任务之后，我们建议根据任务的多目标性质来解开任务，并制定两个级联子网络，一个密集生成器和一个空间细化器。密集生成器推断粗略描述底层曲面的粗糙但密集的输出，而空间细化器通过调整每个点的位置来进一步微调粗糙输出。具体来说，我们在空间细化器中设计了一对局部和全局细化单元来进化粗糙特征图。此外，在空间细化器中，我们回归每个点的偏移向量，以进一步调整精细尺度中的粗输出。在合成数据集和真实扫描数据集上的大量定性和定量结果表明，我们的方法优于最先进的方法。
2021-06-09 cs.CV
PC$^2$-PU: Patch Correlation and Point Correlation for Effective Point Cloud Upsampling
Wuhan University（武汉大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Hunan University（湖南大学）；Riemann Lab, Huawei Technologies（华为技术有限公司黎曼实验室）
点云上采样是对从3D传感器获取的稀疏点集进行加密，为底层表面提供更密集的表示。现有的方法将输入点分成小块，并分别对每个块进行上采样，但是忽略了块之间的全局空间一致性。在本文中，我们提出了一种新的方法PC $^2$ -PU，它探讨了补丁到补丁和点到点的相关性，更有效和强大的点云上采样。具体来说，我们的网络有两个吸引人的设计：（i）我们采取相邻的补丁作为补充输入，以补偿单个补丁内的损失结构信息，并引入补丁相关模块，以捕捉补丁之间的差异和相似性。(ii)在增加每个面片的几何形状后，我们进一步引入了一个点相关模块来揭示每个面片内部点的关系，以保持局部空间的一致性。在合成和真实扫描数据集上的大量实验表明，我们的方法优于以前的上采样方法，特别是在有噪声的输入下。代码和数据位于\url{https://github.com/chenlongwhu/PC2-PU.git}。
2022-07-12 cs.CV
Deep Magnification-Flexible Upsampling over 3D Point Clouds
City University of Hong Kong（香港城市大学）；Nanyang Technological University（南洋理工大学）
本文讨论了从给定的稀疏点云生成稠密点云来模拟物体/场景的底层几何结构的问题。为了解决这个具有挑战性的问题，我们提出了一个新的端到端的基于学习的框架。具体来说，通过利用线性逼近定理，我们首先制定明确的问题，归结为确定插值权重和高阶逼近误差。然后，我们设计了一个轻量级的神经网络自适应学习统一和排序插值权重以及高阶细化，通过分析输入点云的局部几何形状。所提出的方法可以解释的显式配方，因此是更有效的内存比现有的。与仅针对预定义和固定的上采样因子工作的现有方法形成鲜明对比，所提出的框架仅需要具有一次性训练的单个神经网络来处理典型范围内的各种上采样因子，这在现实世界的应用中是非常期望的。此外，我们提出了一个简单而有效的培训策略，以推动这种灵活的能力。此外，我们的方法可以很好地处理非均匀分布和噪声数据。大量的实验合成和真实世界的数据表明，所提出的方法的优越性，在国家的最先进的方法定量和定性。
2022-03-29 cs.CV
PU-Net: Point Cloud Upsampling Network
The Chinese University of Hong Kong（香港中文大学）；Tel Aviv University（特拉维夫大学）；Guangdong Provincial Key Laboratory of Computer Vision and Virtual Reality Technology（广东省计算机视觉与虚拟现实技术重点实验室）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
由于数据的稀疏性和不规则性，使用深度网络学习和分析3D点云具有挑战性。本文提出了一种数据驱动的点云上采样技术。其核心思想是学习每个点的多级特征，并通过多分支卷积单元隐式地在特征空间中扩展点集。然后将扩展的特征拆分为多个特征，然后将其重建为上采样点集。我们的网络应用于补丁级别，具有联合损失函数，该函数鼓励上采样点以均匀分布保持在底层表面上。我们进行各种实验，使用合成和扫描数据来评估我们的方法，并证明其优越性，一些基线方法和基于优化的方法。结果表明，我们的上采样点具有更好的均匀性，更接近底层表面。
2018-03-26 cs.CV cs.GR
Upsampling Autoencoder for Self-Supervised Point Cloud Learning
Hangzhou Dianzi University（杭州电子科技大学）
在计算机辅助设计（CAD）领域，点云数据在逆向工程中得到了广泛的应用，点云分析在逆向工程中起着重要的作用。虽然已经提出了大量的监督学习方法来处理无序的点云，并证明了他们的显着的成功，他们的性能和适用性是有限的昂贵的数据注释。在这项工作中，我们提出了一种新的自监督预训练模型，用于点云学习，无需人工注释，它仅依赖于上采样操作，以有效的方式执行点云的特征学习。我们的方法的关键前提是，上采样操作鼓励网络捕获点云的高级语义信息和低级几何信息，因此分类和分割等下游任务将受益于预训练模型。具体来说，我们的方法首先从输入点云中以低比例进行随机子采样，例如，百分之十二点五然后，我们将它们馈送到编码器-解码器架构中，在该架构中，编码器被设计为仅对子采样点进行操作，并且采用上采样解码器来基于学习的特征重建原始点云。最后，我们设计了一种新的联合损失函数，该函数使上采样点与原始点云相似并均匀分布在底层形状表面上。通过采用预训练的编码器权重作为下游任务模型的初始化，我们发现我们的UAE在形状分类，零件分割和点云上采样任务方面优于以前的最先进方法。代码将在接受后公开提供。
2022-03-21 cs.CV
Rethinking Data Input for Point Cloud Upsampling
The Hong Kong Polytechnic University（香港理工大学）
本文提出使用整体模型输入进行点云上采样，通过实验发现基于补丁的输入性能更优，并分析了影响上采样结果的关键因素。
2025-07-22 cs.CV cs.LG
Point upsampling networks for single-photon sensing
State Key Laboratory of Autonomous Intelligent Unmanned Systems（自主智能无人系统国家重点实验室）；Shanghai Research Institute for Intelligent Autonomous Systems（智能自主系统上海研究院）；Tongji University（同济大学）；The Department of Structural Engineering（结构工程系）；The Department of Control Science and Engineering（控制科学与工程系）；College of Mathematics and Computer Science（数学与计算机科学学院）
本文首次针对单光子感知点云稀疏与空间有偏问题，提出基于状态空间模型和多路径扫描、双向Mamba及自适应上采样移位模块的点云上采样网络，在常用数据集和真实数据上验证了高精度重建、强鲁棒性与细节保留能力。
2025-08-18 cs.CV physics.optics
TULIP: Transformer for Upsampling of LiDAR Point Clouds
ETH Zurich（苏黎世联邦理工学院）；Queensland University of Technology (QUT)（昆士兰科技大学）；Data61, CSIRO（联邦科学与工业研究组织数据61分部）
本文提出TULIP方法，通过修改Swin-Transformer的patch与window几何结构以适应距离图像特性，从低分辨率LiDAR输入重建高分辨率点云，并在多个数据集上取得最优性能。
2024-05-03 cs.CV
Sparse-Up: Learnable Sparse Upsampling for 3D Generation with High-Fidelity Textures
针对3D生成中高频纹理细节丢失问题，提出Sparse-Up框架，通过表面锚定的可学习稀疏上采样和图像块引导的视角域划分，在保持多视角几何一致性的同时降低显存占用并实现高保真纹理。
2025-09-28 cs.CV
Non-uniform Point Cloud Upsampling via Local Manifold Distribution
Beijing Normal University（北京师范大学）
针对现有方法忽略点云内在分布特征的问题，该研究从流形分布视角提出新上采样方法，通过网络迭代优化高斯分量与权重构建统一统计流形施加约束，在多个数据集上生成更高质量、更均匀的密集点云，性能优于现有技术。
2025-04-16 cs.CV math.DG
MBPU: A Plug-and-Play State Space Model for Point Cloud Upsamping with Fast Point Rendering
School of Computer Science, Fudan University（复旦大学计算机科学学院）；Academy for Engineering and Technology, Fudan University（复旦大学工程技术研究院）；Department of Information Engineering, The Chinese University of Hong Kong（香港中文大学信息工程系）；School of Mechanical Engineering, Tongji University（同济大学机械工程学院）
本文提出基于Mamba的即插即用点云上采样网络MBPU，通过预测点距离与位置偏移、引入快速可微渲染器，在大规模点云上实现高质量、少伪影的任意尺度上采样。
2024-10-21 cs.CV
Point Cloud Upsampling and Normal Estimation using Deep Learning for Robust Surface Reconstruction
Ilmenau University of Technology（伊尔梅瑙工业大学）；Carl Zeiss AG（卡尔蔡司公司）
真实世界表面的重建在各种应用中都有很高的要求。大多数现有的重建方法应用3D扫描仪来创建通常稀疏且低密度的点云。这些点云将被三角化并与通过几何方法估计的表面法线结合用于可视化。然而，重建的质量取决于点云的密度和表面法线的估计。在本文中，我们提出了一种新的点云上采样深度学习架构，使后续的稳定和平滑的表面重建。一个低密度的噪声点云与相应的点法线被用来估计具有较高的密度和附加的点法线的点云。为此，我们提出了一个复合损失函数，鼓励网络估计点，躺在一个表面上，包括法线准确地预测表面的方向。我们的研究结果显示了估计法线与点位置的好处。生成的点云更平滑、更完整，最终的曲面重建更接近地面实况。
2021-02-26 cs.CV
Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation
Harbin Institute of Technology（哈尔滨工业大学）；Peng Cheng Laboratory（鹏城实验室）；Peking University Shenzhen Graduate School（北京大学深圳研究生院）；Tsinghua University（清华大学）
点云上采样是一个具有挑战性的问题，从给定的稀疏输入生成密集和均匀的点云。大多数现有的方法要么采取基于端到端监督学习的方式，其中大量的稀疏输入和密集的地面实况对被利用作为监督信息;要么将不同比例因子的上缩放处理为独立的任务，并且必须构建多个网络来处理具有不同因子的上采样。在本文中，我们提出了一种新的方法，同时实现自监督和放大灵活的点云上采样。我们制定点云上采样的任务，寻找最近的投影点的隐式表面上的种子点。为此，我们定义了两个隐式神经函数来分别估计投影方向和距离，可以通过两个借口学习任务来训练。实验结果表明，我们的自监督学习为基础的计划取得竞争力，甚至更好的性能比监督学习为基础的国家的最先进的方法。源代码可在https://github.com/xnowbzhao/sapcu上公开获得。
2022-04-18 cs.CV cs.GR
Frequency-Selective Geometry Upsampling of Point Clouds
在过去的几年里，对高分辨率点云的需求不断增加。然而，捕获高分辨率点云是昂贵的，因此，经常被低分辨率数据的上采样所取代。大多数最先进的方法要么局限于光栅网格，结合法向量，要么针对单个用例进行训练。我们建议使用频率选择性原则，其中频率模型是局部估计的，近似于点云的表面。然后，将额外的点插入到近似曲面中。与缩放因子为2和4的最新方法相比，我们的新型频率选择性几何上采样在主观和客观质量方面显示出优异的结果。平均而言，我们提出的方法在比例因子为4的情况下，点对点误差比第二好的最先进的PU网络小4.4倍。
2022-10-27 cs.CV eess.IV
Point Cloud Upsampling through Patch-based Frequency Superposition
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）
提出一种基于补丁频率叠加的优化方法PUtPFS，通过选择点子集并叠加空间频率估计表面，在稀疏区域放置新点实现均匀上采样，无需训练数据，在点对面距离上超越现有方法。
2026-06-15 cs.CV eess.SP
Data-driven Upsampling of Point Clouds
Carnegie Mellon University（卡内基梅隆大学）
稀疏3D点云的高质量上采样对于诸如重建、渲染、网格化和分析等广泛的几何操作至关重要。在本文中，我们提出了一种数据驱动的算法，使3D点云的上采样，而不需要硬编码的规则。我们的方法使用了一个深度网络，倒角距离作为损失函数，能够学习属于不同对象类别的点云中的潜在特征。我们在不同的放大因子中评估我们的算法，对属于同一类别以及不同类别的对象进行上采样学习和执行。我们还探讨了理想的输入点云的点样本的分布的函数的特性。最后，我们展示了我们的算法在单类别训练与多类别训练场景中的性能。最后提出的模型与基线，基于优化的上采样方法进行比较。结果表明，我们的算法是能够产生更均匀和准确的上采样。
2018-12-28 cs.CG cs.CV cs.LG
Test-Time Adaptation for Point Cloud Upsampling Using Meta-Learning
University of Manitoba（曼尼托巴大学）；Concordia University（康考迪亚大学）
本文提出基于元学习的测试时自适应方法，无需测试数据先验，通过实例级任务训练和梯度微调提升点云上采样模型对分布偏移的泛化能力，可即插即用并提升最先进模型性能。
2023-09-01 cs.AI cs.CV cs.LG
DiffPMAE: Diffusion Masked Autoencoders for Point Cloud Reconstruction
The University of Sydney（悉尼大学）；University of New South Wales（新南威尔士大学）
针对点云流传输的高带宽与存储压力及现有重建方法保真度不足的问题，提出结合掩码自编码与扩散模型的DiffPMAE架构，可扩展至多下游任务，在两个大规模数据集上性能超越现有最优方法。
2024-08-15 cs.CV
Simba: Towards High-Fidelity and Geometrically-Consistent Point Cloud Completion via Transformation Diffusion
Simba通过变换扩散方法，结合对称先验和扩散模型，实现高保真的点云补全，解决传统方法的过拟合和噪声敏感问题，取得最先进性能。
2025-11-20 cs.CV
PU-Ray: Domain-Independent Point Cloud Upsampling via Ray Marching on Neural Implicit Surface
University of Alberta（阿尔伯塔大学）；Centre for Smart Transportation (CST)（智能交通中心（CST））
提出一种基于光线步进和神经隐式表面的点云上采样方法，实现任意倍率、域无关的精确深度预测，并在有限资源下展现跨域通用性。
2024-03-15 cs.CV cs.GR
Spectral Probing of Feature Upsamplers in 2D-to-3D Scene Reconstruction
Hokkaido University（北海道大学）；Westlake University（西湖大学）；Zhejiang University（浙江大学）；The University of Tokyo（东京大学）
本文提出频谱诊断框架，通过六个指标评估特征上采样器对3D重建的影响，发现频谱一致性比空间细节更关键。
2026-03-06 cs.CV
Parametric Surface Constrained Upsampler Network for Point Cloud
University of South Carolina（南卡罗来纳大学）
本文提出参数化曲面约束上采样器网络PSCU，通过双三次函数和旋转函数学习底层曲面并约束新生成点，在点云上采样与补全任务中均取得最先进效果。
2023-12-03 cs.CV
Soft Masked Transformer for Point Cloud Processing with Skip Attention-Based Upsampling
Artificial Intelligence School, Anhui University（安徽大学人工智能学院）；National Engineering Laboratory for Robot Visual Perception and Control Technology, College of Electrical and Information Engineering, Hunan University（机器人视觉感知与控制技术国家工程实验室，湖南大学电气与信息工程学院）；Artificial Intelligence School, Xidian University（西安电子科技大学人工智能学院）；Department of Computer Science, The University of Western Australia（西澳大学计算机科学系）；Central Queensland University（中央昆士兰大学）
SMTransformer通过整合任务级信息和跳过注意力上采样提升点云处理性能，实现S3DIS和SWAN数据集上的高精度语义分割。
2026-01-29 cs.CV
Point cloud completion via structured feature maps using a feedback network
Shenzhen University（深圳大学）；Kuaishou Technology（快手科技）
本文从特征学习的角度出发，解决了点云数据完整化这一具有挑战性的问题。我们的关键观察是，为了恢复底层结构以及表面细节，给定部分输入，基本组件是一个良好的特征表示，可以捕获全局结构和局部几何细节。因此，我们首先提出了FSNet，一个特征结构化模块，可以自适应地聚合成一个2D结构化的特征地图逐点特征学习多个潜在的模式从局部区域。然后，我们将FSNet集成到一个粗到细的管道中，以完成点云。具体而言，采用2D卷积神经网络将FSNet中的特征图解码为粗糙且完整的点云。接下来，使用点云上采样网络从部分输入和粗略的中间输出生成密集点云。为了有效地利用局部结构并增强点分布的均匀性，我们提出了IFNet，这是一个具有自校正机制的点上采样模块，可以逐步细化生成的密集点云的细节。我们已经在ShapeNet，MVP和KITTI数据集上进行了定性和定量实验，这些实验表明我们的方法优于最先进的点云完成方法。
2022-09-14 cs.CV
MSVS-VAE: Multi-Scale Anchored VecSet for High-Fidelity 3D Reconstruction
The Hong Kong University of Science and Technology（香港科技大学）；Peking University（北京大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Lightspeed Studios（光速工作室）
研究针对高保真3D重建中VAE的瓶颈问题，提出MSVS-VAE。通过分层点洗牌上采样 densify 锚定向量集潜在特征，用AVS-Conv取代全局交叉注意力，引入多尺度查询解码融合特征，实验表明其性能优于现有方法，解码速度和紧凑性有显著提升。
2026-07-28 cs.CV
4DSR-GCN: 4D Video Point Cloud Upsampling using Graph Convolutional Networks
Università degli Studi di Firenze（佛罗伦萨大学）
针对重度压缩的时变3D视频点云，本文提出结合动态边卷积、图注意力与GAN的轻量GCN上采样恢复模型，以约300KB参数达到可比重建质量并适配LiDAR边缘设备。
2023-06-01 cs.AI cs.CV cs.MM
SPAC-Net: Rethinking Point Cloud Completion with Structural Prior
School of Digital Media Technology, Hangzhou Dianzi University（杭州电子科技大学数字媒体技术学院）；School of Informatics, Xiamen University（厦门大学信息学院）；School of Information, Renmin University of China（中国人民大学信息学院）
SPAC-Net提出利用interface结构先验，通过MAD模块定位已知与缺失部分的交界，并借助SSP模块增强结构细节，在多个基准上实现了优于现有方法的点云补全性能。
2024-11-22 cs.CV cs.LG
Guided Upsampling Network for Real-Time Semantic Segmentation
University of Milano-Bicocca（米兰比可卡大学）
语义分割架构主要建立在编码器-解码器结构上。这些模型在编码器中执行后续的下采样操作。由于对高分辨率激活图的操作在计算上是昂贵的，因此解码器通常通过使用无参数运算符（如双线性或最近邻）进行上采样来产生输出分割图。我们提出了一个神经网络命名为引导上采样网络，它由一个多分辨率架构，联合利用高分辨率和大的上下文信息。然后，我们引入了一个新的模块，名为引导上采样模块（GUM），通过引入语义映射的可学习转换来丰富上采样运算符。它可以插入到任何现有的编码器-解码器架构中，只需很少的修改和较低的额外计算成本。我们展示了定量和定性的实验，我们的网络如何受益于使用GUM模块。在公开的Cityscapes数据集上进行的一系列实验表明，引导上采样网络可以有效地实时的【形】处理高分辨率图像，同时达到最先进的性能。
2018-07-19 cs.CV
GET-UP: GEomeTric-aware Depth Estimation with Radar Points UPsampling
Technical University of Munich（慕尼黑工业大学）；Infineon Technologies AG（英飞凌科技股份公司）
针对雷达-相机深度估计中稀疏噪声雷达点云几何信息利用不足的问题，本文提出 GET-UP，通过注意力增强 GNN 融合二维与三维信息，并借助激光雷达引导的点云上采样及解码阶段特征融合，在 nuScenes 上取得 SOTA。
2024-09-08 cs.AI cs.CV eess.SP
PUFM++: Point Cloud Upsampling via Enhanced Flow Matching
Department of Computational Engineering, Lappeenranta-Lahti University of Technology LUT, Finland（莱佩宁拉-拉赫蒂技术大学工程学系）；The Hong Kong Polytechnic University（香港理工大学）；Institute for Applied and Numerical Mathematics at Karlsruhe Institute of Technology (KIT), Germany（卡尔斯鲁厄理工学院应用与数值数学研究所）；Department of Mathematics at Saarland University, Germany（萨尔大学数学系）
PUFM++通过增强的流匹配框架，提升点云上采样的几何保真度和鲁棒性，结合递归接口网络和自适应时间调度器，实现高质量点云重建。
2025-12-24 cs.CV
Deep Space-Time Video Upsampling Networks
Yonsei University（延世大学）；Facebook
视频超分辨率（VSR）和帧内插（FI）是传统的计算机视觉问题，近年来随着深度学习的引入，其性能得到了提高。在本文中，我们调查的问题，联合上采样视频在空间和时间，这是越来越重要的显示系统的进步。一种解决方案是独立地逐个运行VSR和FI。这是非常低效的，因为每个解决方案中都涉及大量的深度神经网络（DNN）。为此，我们提出了一个端到端的DNN框架的空时视频上采样有效地合并VSR和FI到一个联合框架。在我们的框架中，提出了一种新的加权方案，有效地融合输入帧，而无需显式的运动补偿，有效地处理视频。结果显示，与基线相比，定量和定性结果都更好，同时减少了计算时间（快7倍）和参数数量（30%）。
2020-08-10 cs.CV
Deformable kernel networks for guided depth map upsampling
Yonsei University（延世大学）；Inria / PSL Research University（法国国家信息与自动化研究所/巴黎文理研究大学）
我们解决了使用同一场景的注册高分辨率（HR）彩色图像对低分辨率（LR）深度图进行上采样的问题。基于卷积神经网络（CNN）的先前方法组合空间不变核的非线性激活以从LR深度和HR彩色图像估计结构细节，并且直接从网络回归上采样结果。在本文中，我们重新审视了加权平均过程，该过程已被广泛用于将结构细节从手工制作的视觉特征转移到LR深度图。相反，我们学习显式稀疏和空间变化的内核来完成这项任务。为此，我们提出了一个CNN架构及其有效的实现，称为可变形核网络（DKN），输出稀疏集的邻居和相应的权重自适应每个像素。我们还提出了一个快速版本的DKN（FDKN），运行速度约为17倍（640 x 480的HR图像为0.01秒）。标准基准测试的实验结果证明了我们的方法的有效性。特别是，我们表明，加权平均过程与3 × 3内核（即，聚集稀疏选择的9个样本）的性能明显优于现有技术。
2019-03-27 cs.CV
Depth Edge Guided CNNs for Sparse Depth Upsampling
Chongqing University（重庆大学）；College of Computer Science（计算机学院）
引导稀疏深度上采样旨在当对齐的高分辨率彩色图像作为指导时，对不规则采样的稀疏深度图进行上采样。许多神经网络已被设计用于这一任务。然而，他们往往忽略了深度和彩色图像之间的结构差异，导致明显的伪影，如纹理复制和上采样深度处的深度模糊。受归一化卷积运算的启发，我们提出了一种引导卷积层，以深度边缘图像为指导，从稀疏和不规则的深度图像中恢复密集深度。我们的新型引导网络可以防止深度值穿过深度边缘，以促进上采样。我们进一步设计了一个卷积网络的基础上提出的卷积层，结合不同算法的优点，并取得更好的性能。我们进行了全面的实验，以验证我们的方法在真实世界的室内和合成室外数据集。我们的方法产生了强有力的结果。它在Virtual KITTI数据集和Middlebury数据集上的性能优于最先进的方法。它还在不同的3D点密度，各种照明和天气条件下具有强大的泛化能力。
2020-03-23 cs.CV
Gait Sequence Upsampling using Diffusion Models for Single LiDAR Sensors
Kyushu University（九州大学）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
针对远距离或低成本LiDAR导致人体点云稀疏降低步态识别性能的问题，提出基于扩散概率模型的稀疏到稠密上采样方法LidarGSU，有效提升了识别模型的泛化能力与性能。
2024-10-14 cs.CV
An Energy-Efficient Edge Computing Paradigm for Convolution-based Image Upsampling
University of California, San Diego（加州大学圣地亚哥分校）
针对基于实时深度学习的图像上采样应用提出了一种新的节能边缘计算范例。用于图像上采样的最先进的深度学习解决方案目前使用调整大小或子像素卷积来训练，以学习生成具有最小伪影的高保真图像的内核。然而，使用这些学习的卷积内核执行推理需要内存密集型特征映射变换，这在实时应用中占主导地位的时间和能源成本。为了减轻这种对内存带宽的压力，我们将调整大小或子像素卷积的使用限制在云中进行训练，方法是将学习的卷积内核转换为反卷积内核，然后将它们部署为功能等效的反卷积进行推理。这些内核转换旨在作为从训练转移到推理时的一次性成本，使系统设计人员能够通过保留在云中训练时学习的图像保真度，同时最大限度地减少边缘推理期间的数据传输损失，从而在其最佳上下文中使用每个算法。我们还探讨了现有的反卷积推理算法的变种，并介绍了一种新的变种考虑。我们使用所产生的时间和能量成本的定量模型分析和比较基于卷积的上采样算法的推理特性，并表明与子像素或调整大小的卷积相比，使用反卷积进行边缘推理可以提高系统延迟和能效。
2021-07-26 cs.AR cs.CV cs.DC
Patch-based Progressive 3D Point Set Upsampling
ETH Zurich（苏黎世联邦理工学院）；Shenzhen University（深圳大学）；Tel Aviv University（特拉维夫大学）
我们提出了一个细节驱动的深度神经网络点集上采样。高分辨率的点集对于基于点的绘制和表面重建是必不可少的。受最近神经图像超分辨率技术的成功启发，我们逐步训练了一系列基于补丁的上采样网络，这些网络具有不同的端到端细节水平。我们提出了一系列的架构设计的贡献，导致一个显着的性能提升。消融研究中证实了每种技术贡献的效果。定性和定量实验表明，我们的方法显着优于最先进的基于学习和优化的方法，无论是在处理低分辨率的输入和揭示高保真的细节。
2019-03-21 cs.CV cs.GR cs.LG
Efficient Point Clouds Upsampling via Flow Matching
Lappeenranta-Lahti University of Technology LUT（拉彭兰塔-拉赫蒂理工大学LUT）；The Hong Kong Polytechnic University（香港理工大学）；Technical University of Munich（慕尼黑工业大学）
提出PUFM流匹配方法，通过中点插值和基于EMD的预对齐直接将稀疏点云映射为稠密点云，在减少采样步骤的同时提升上采样质量并增强泛化能力。
2025-01-25 cs.CV eess.SP
CAD-PU: A Curvature-Adaptive Deep Learning Solution for Point Set Upsampling
South China University of Technology（华南理工大学）；Tencent AI Lab（腾讯人工智能实验室）
点集可以说是物体或场景表面最直接的近似，但它的实际获取往往受到噪声，稀疏，并可能不完整的缺点，这限制了其用于高质量的表面恢复。点集上采样旨在增加其密度和规则性，以便可以实现更好的表面恢复。考虑到上采样目标本身只是底层表面的近似，该问题是严重不适定和具有挑战性的。为了通过点集上采样提高表面近似，我们通过配对输入和输出点集的表面近似误差范围来确定对目标至关重要的因素。这表明，给定上采样结果中的点的固定预算，更多的点应该分布到局部曲率相对较高的表面区域上。为了实现这一动机，我们提出了一种新的曲率自适应点集上采样网络（CAD-PU）的设计，其核心是一个曲率自适应特征扩展模块。为了训练CAD-PU，我们遵循相同的动机，并提出几何直观的代理人，近似离散的概念，表面曲率的上采样点集。我们进一步将所提出的代理集成到基于曲率最小化目标的对抗学习中，这给出了CAD-PU的实际有效学习。我们进行彻底的实验，显示我们的贡献和我们的方法比现有的优势的功效。我们的实现代码可在https://github.com/JiehongLin/CAD-PU上公开获取。
2020-09-10 cs.CV
Fast LiDAR Upsampling using Conditional Diffusion Models
University of Oslo（奥斯陆大学）；Kyushu University（九州大学）
提出一种基于条件扩散模型的方法，通过图像表示实现3D场景点云的快速高质量稀疏到稠密上采样，在KITTI-360数据集上的采样速度和质量均优于基线，并具备跨真实与合成数据的泛化能力。
2024-07-23 cs.CV cs.RO
