A Comparative Study of Feature Expansion Unit for 3D Point Cloud Upsampling
Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）
最近，深度学习方法在3D点云上采样方面取得了巨大成功。在这些方法中，提出了多种特征扩展单元，最终完成点扩展。本文从理论分析和定量实验两个方面对各种特征扩展单元进行了比较。我们发现，大多数现有的特征扩展单元处理每个点的功能独立，而忽略了不同点之间的功能相互作用。此外，受图像超分辨率的上采样模块和动态图CNN最近在点云上的成功的启发，我们提出了一种新的特征扩展单元ProEdgeShuffle。实验表明，我们提出的方法可以实现相当大的改进，以前的特征扩展单元。
2022-05-19 cs.CV
PU-Transformer: Point Cloud Upsampling Transformer
Australian National University（澳大利亚国立大学）；Data61-CSIRO（澳大利亚联邦科学与工业研究组织Data61部门）
鉴于3D扫描仪的快速发展，点云在AI驱动的机器中越来越受欢迎。然而，点云数据本质上是稀疏和不规则的，这给机器感知带来了很大的困难。在这项工作中，我们专注于点云上采样任务，旨在从稀疏的输入数据生成密集的高保真点云。具体来说，激活Transformer的强大的能力，在代表功能，我们开发了一个新的变种的多头自注意力结构，以提高点和通道明智的关系的特征图。此外，我们利用位置融合块来全面捕获点云数据的局部上下文，提供更多关于分散点的位置相关信息。作为第一个引入点云上采样的Transformer模型，我们通过在不同基准上定量和定性地与最先进的基于CNN的方法进行比较，展示了我们的方法的出色性能。
2022-10-03 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
Arbitrary Point Cloud Upsampling with Spherical Mixture of Gaussians
University of Bologna（博洛尼亚大学）；Vislab Srl - Ambarella Inc（Vislab Srl - 安霸公司）；University of Parma（帕尔马大学）
从稀疏的原始数据生成密集的点云有利于下游的3D理解任务，但现有的模型仅限于固定的上采样率或短范围的整数值。在本文中，我们提出了APU-SMOG，一个基于transformer的任意点云上采样（APU）模型。稀疏输入首先映射到高斯混合球（SMOG）分布，从中可以采样任意数量的点。然后，这些样本作为查询被馈送到Transformer解码器，该解码器将它们映射回目标表面。广泛的定性和定量评估表明，APU-SMOG的性能优于最先进的固定比率方法，同时有效地实现了使用任何缩放因子（包括非整数值）的上采样。代码可在https://github.com/apusmog/apusmog/上获得
2023-01-10 cs.CV
A Conditional Denoising Diffusion Probabilistic Model for Point Cloud Upsampling
Nanjing University of Science and Technology（南京理工大学）；Shanghai AI Laboratory（上海人工智能实验室）
本文提出条件去噪扩散概率模型 PUDM，将稀疏点云作为条件并利用双映射与速率因子实现任意尺度点云上采样，在 PU1K 和 PUGAN 上取得 SOTA 性能。
2023-12-03 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
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
High-Fidelity Point Cloud Completion with Low-Resolution Recovery and Noise-Aware Upsampling
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Tencent America（腾讯美国）
完成无序的部分点云是一项具有挑战性的任务。现有的方法依赖于解码潜在特征来恢复完整的形状，通常会导致完成的点云过度平滑，丢失细节和噪声。我们建议先解码和细化低分辨率（低分辨率）点云，而不是解码整个形状，然后执行逐块噪声感知上采样，而不是一次内插整个稀疏点云，这往往会丢失细节。关于缺乏最初解码的低分辨率点云的细节的可能性，我们提出了一个迭代的改进，以恢复几何细节和对称化过程，以保持从输入的部分点云的可信信息。在获得稀疏完整的点云后，我们提出了一种分片上采样策略。与解码整个形状不同，基于块的上采样允许更好地恢复精细细节，然而，现有的上采样方法由于数据差异（即，这里输入稀疏数据不是来自地面实况）。因此，我们提出了一种补丁提取方法来生成训练补丁之间的稀疏和地面实况点云，和一个离群点去除步骤，以抑制噪声点从稀疏点云。结合低分辨率的恢复，我们的整个方法能够实现高保真的点云完成。提供了全面的评价，以证明所提出的方法及其各个组成部分的有效性。
2021-12-22 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
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
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
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
Joint Geometry and Attribute Upsampling of Point Clouds Using Frequency-Selective Models with Overlapped Support
随着AR/VR应用和自动驾驶等对三维环境的需求不断增加，高分辨率点云的重要性也在上升。由于捕获过程是一项复杂的任务，通常需要点云上采样。我们提出了频率选择性上采样（FSU），上采样方案，上采样的几何和属性信息的点云联合在一个连续的方式与重叠的支持区域。首先将点云划分为支持区域重叠的块。然后，生成连续频率模型，该模型局部地估计点云的表面。在新的位置对模型进行采样以进行上采样。在随后的步骤中，创建对属性信号进行建模的另一频率模型。这里，利用来自几何上采样的知识来简化二维中的点的投影。针对上采样几何体位置评估属性模型。在我们广泛的评估中，我们独立评估几何和属性上采样，并显示联合结果。几何结果表明，我们提出的FSU在点到面的错误和平面到平面的角度相似性方面的最佳性能。此外，FSU在色彩PSNR方面优于其他色彩上采样方案1.9 dB。此外，点云的视觉外观明显增加FSU。
2023-01-27 cs.CV eess.IV eess.SP
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
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
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
Sparse 3D Point-cloud Map Upsampling and Noise Removal as a vSLAM Post-processing Step: Experimental Evaluation
Peoples’ Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学（RUDN大学））；Federal Research Center ”Computer Science and Control” of Russian Academy of Sciences（俄罗斯科学院计算机科学与控制联邦研究中心）；National Research University Higher School of Economics（国立研究型大学高等经济学院）
基于单目视觉的同时定位与地图构建（vSLAM）是移动机器人和计算机视觉中最具挑战性的问题之一。在这项工作中，我们研究的后处理技术应用于稀疏的三维点云地图，获得基于特征的vSLAM算法。地图后处理分为2个主要步骤：1）噪声和离群值去除和2）上采样。我们评估了已知算法的不同组合，用于对真实室内和室外环境的数据集进行离群值去除和上采样，并确定最有希望的组合。我们进一步使用它来转换点云地图，由真正的无人机进行室内飞行获得的三维体素网格（三维地图）可能适合于路径规划。
2018-06-25 cs.CV
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
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
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
Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling
Tsinghua University（清华大学）；Beijing Academy of Artificial Intelligence（北京智源人工智能研究院）；Wayne State University（韦恩州立大学）
提出一种基于局部距离指示器学习连续隐式场的方法，实现任意尺度点云上采样，通过投影查询点到零水平集生成密集点云，在合成和真实数据上取得最优结果。
2023-12-23 cs.CV
Neural Points: Point Cloud Representation with Neural Fields for Arbitrary Upsampling
University of Science and Technology of China（中国科学技术大学）；Guilin University Of Electronic Technology（桂林电子科技大学）
在本文中，我们提出了神经点，一种新的点云表示，并将其应用于任意因子的上采样任务。与传统的点云表示不同，其中每个点仅表示3D空间中的一个位置或局部平面，Neural Points中的每个点通过神经场表示局部连续的几何形状。因此，神经点包含更多的形状信息，因此具有更强的表示能力。神经点是用包含丰富几何细节的表面训练的，这样训练后的模型对各种形状都有足够的表达能力。具体地说，我们提取深局部特征点和构造神经域之间的局部同构的2D参数域和3D局部补丁。最后，将局部神经元场集成在一起形成全局表面。实验结果表明，神经点具有很强的表示能力，并表现出良好的鲁棒性和泛化能力。使用Neural Points，我们可以以任意分辨率重新采样点云，并且它优于最先进的点云上采样方法。代码可在https://github.com/WanquanF/NeuralPoints上获得。
2022-03-31 cs.CV
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
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
Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning
Hikvision Research Institute（海康威视研究院）
针对现有任意尺度点云上采样方法几何保真度低的问题，提出基于体素网络的PU-VoxelNet框架，结合密度引导网格重采样与潜在几何一致性监督，在固定及任意尺度上采样任务中性能均优于现有方法。
2024-03-08 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
PU-Gaussian: Point Cloud Upsampling using 3D Gaussian Representation
University of Freiburg（弗赖堡大学）；Fraunhofer IPM（弗劳恩霍夫IPM研究所）
针对3D传感器点云稀疏噪声问题，提出PU-Gaussian网络，利用各向异性3D高斯分布建模局部几何，通过直接采样显式上采样并细化，在PU1K和PUGAN数据集上达到最先进性能。
2025-09-24 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
iPUNet:Iterative Cross Field Guided Point Cloud Upsampling
Shandong University（山东大学）；Microsoft Research Asia（微软亚洲研究院）；University of Edinburgh（爱丁堡大学）
针对稀疏、噪声、非均匀点云，提出iPUNet，利用自监督交叉场引导局部参数化曲面实现任意比例上采样，并通过迭代细化分布，优于现有方法。
2023-10-13 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
PLATYPUS: Progressive Local Surface Estimator for Arbitrary-Scale Point Cloud Upsampling
Yonsei University（延世大学）；Korea University（高丽大学）
针对现有点云上采样方法易产生离群点、难处理高曲率复杂区域的问题，提出基于曲率采样的渐进式局部曲面估计器PLATYPUS，并首次将课程学习用于点云上采样，效果显著优于现有方法。
2024-11-01 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
Med-PU: Point Cloud Upsampling for High-Fidelity 3D Medical Shape Reconstruction
East China University of Science and Technology（东华大学）
Med-PU通过整合体素分割与点云上采样，实现了高保真3D医学形状重建，提升了表面质量和解剖保真度，适用于多种解剖区域。
2025-09-28 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
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
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
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
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
Optimizing 3D Gaussian Splatting via Point Cloud Upsampling
Vision and Image Processing Group, Systems Design Engineering, University of Waterloo（滑铁卢大学视觉与图像处理组，系统设计工程）
提出多种点云上采样方法及深度引导点提升技术，改善3D高斯泼溅的初始化质量，实验表明不同场景适用不同策略。
2026-05-30 cs.CV cs.GR
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
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
SuperPC: A Single Diffusion Model for Point Cloud Completion, Upsampling, Denoising, and Colorization
Spatial AI & Robotics (SAIR) Lab, University at Buffalo（空间人工智能与机器人实验室，布法罗大学）
针对点云补全、上采样、去噪和着色四类缺陷常共存且相互关联的问题，本文提出首个统一扩散模型SuperPC，通过三级条件框架和空间混合融合策略实现四任务并行处理，性能超越各专用模型及其组合。
2025-03-21 cs.CV cs.RO
PC$^2$-AD: Point Cloud Upsampling to Safeguard 3D Anomaly Detection with Resolution-constrained Edge Devices
Shenzhen University WeBank Institute of Finance, Shenzhen University（深圳大学微众银行金融科技学院）；School of Computer Science, Wuhan University（武汉大学计算机学院）；Shenzhen Audencia Financial Technology Institute, Shenzhen University（深圳大学深圳南特金融科技学院）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院）
针对边缘低分辨率传感器导致的点云稀疏问题，提出PC$^2$-AD上采样框架，通过候选生成、过滤与补偿，提升3D异常检测性能，实验验证了其有效性。
2026-09-15 cs.CV
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
Image-to-Point Cloud Registration Made Easy with Rectified Flow-based LiDAR Upsampling
Department of Computer Science and Engineering, Toyohashi University of Technology（丰桥技术科学大学计算机科学与工程系）；National Institute of Advanced Industrial Science and Technology（国立先进工业科学技术研究所）
研究图像到点云配准难题，提出将激光雷达视为成像传感器的方法，通过条件整流流、特征匹配等步骤估计位姿，经自监督预训练和少量数据微调，实现高精度快速配准，性能优于现有方法。
2026-07-17 cs.CV cs.RO
Test-Time Augmentation for 3D Point Cloud Classification and Segmentation
The Hong Kong University of Science and Technology（香港科技大学）；VinAI Research（VinAI研究院）；Singapore Management University（新加坡管理大学）；Trinity College Dublin（都柏林圣三一学院）
本文针对稀疏3D点云性能下降问题，提出利用隐式场重建和点云上采样技术进行测试时增强，显著提升了ModelNet40等数据集上的分类与分割精度。
2023-11-22 cs.CV
Motion Guided LIDAR-camera Self-calibration and Accelerated Depth Upsampling for Autonomous Vehicles
Ford Motor Company（福特汽车公司）
提出了一种新的运动引导方法，用于LiDAR和相机的无目标自校准，并使用LiDAR点到图像参考帧上的重新投影进行实时深度上采样。通过优化目标函数来估计校准参数，该目标函数惩罚从时间同步的图像和点云序列获得的2D和重新投影的3D运动矢量之间的距离。对于上采样，提出了一种简单，但有效和时间效率的配方，最大限度地减少深度梯度的等式约束，涉及激光雷达测量。从城市环境中记录的真实数据进行验证和演示，我们的两种方法是有效的，适用于移动机器人和自动驾驶汽车应用施加实时要求。
2020-07-02 cs.CV
ELMO: Enhanced Real-time LiDAR Motion Capture through Upsampling
MOVIN Inc.（MOVIN公司）；KAIST（韩国科学技术院）
提出单 LiDAR 实时上采样动作捕捉框架 ELMO，利用条件自回归 transformer、骨骼标定和仿真增强，将 20 fps 点云生成 60 fps 动作，并发布 20 人同步数据集。
2024-10-11 cs.AI cs.CV cs.GR
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
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
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
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
CMU-Flownet: Exploring Point Cloud Scene Flow Estimation in Occluded Scenario
Xiamen University（厦门大学）；University of Copenhagen（哥本哈根大学）
针对点云场景流估计中遮挡处理存在的信息利用不足、上采样纠错能力弱的问题，提出集成遮挡估计模块与相关矩阵上采样的CMU-Flownet，在遮挡数据集上实现SOTA性能。
2024-04-16 cs.CV
