(2024, CVPR) A Conditional Denoising Diffusion Probabilistic Model for Point Cloud Upsampling
本文提出基于条件扩散模型的点云上采样网络PUDM。PUDM将稀疏点云作为条件，迭代学习稠密点云与噪声之间的变换关系，并采用双映射范式提升点特征辨识能力，使生成的点云细节逼近真实几何。与传统方法不同，PUDM无需额外上采样模块设计，可生成任意尺度的高质量点云，对噪声具有很强的鲁棒性。实验证明PUDM在常用数据集上Chamfer距离等指标上均优于现有方法，实现了SOTA性能。
论文链接：https://arxiv.org/abs/2312.02719
开源实现：GitHub
(2024, CVPR) RepKPU: Point Cloud Upsampling with Kernel Point Representation and Deformation
提出RepKPU网络，通过改进形状表示和点生成策略提升上采样性能。作者引入新的“RepKPoints”表示方法，具有密度敏感、大感受野和位置自适应等优势，有效描述局部几何。并创新地将上采样过程视为对核点（KP-Queries）的形变：预定义一组带特征的核点作为上采样初始状态，通过跨注意力使RepKPoints与KP-Queries交互，再经MLP输出KP-Queries的新位置，作为生成点云。此“核到位移”的生成范式能够更自然地生成细节丰富的点云。大量实验表明RepKPU在多个基准数据集上超越了现有方法且效率较高
论文链接：RepKPU
开源实现：GitHub
(2025, CVPR) PDANS: Point Cloud Upsampling Using Conditional Diffusion Module with Adaptive Noise Suppression
提出基于条件扩散网络的PDANS，重点在于噪声抑制。作者设计自适应噪声抑制（ANS）模块，对每个点赋予权重并决定去除策略，通过加权邻域融合减少异常点影响。PDANS还引入TreeTrans模块融合高低层特征，提升表达能力。该网络在标准基准上取得了优异性能，在噪声场景下表现稳健
论文链接：PDANS
开源实现：GitHub
(2024, AAAI) PU-VoxelNet: Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning
提出了PU-VoxelNet框架，使用体素 (voxel) 表示对稀疏点云表面进行近似。在每个体素单元内预测点密度分布，并借助“密度引导网格重采样”生成高精度点云，同时采用潜在几何一致性的辅助监督来提升细节质量。实验表明，该方法在固定和任意上采样率下均优于现有方法，产生更密集和高保真的重建。
开源实现：GitHub
(2024, arXiv) GaussianPU: A Hybrid 2D-3D Upsampling Framework for Enhancing Color Point Clouds via 3D Gaussian Splatting
针对彩色点云上采样，提出结合3D高斯溅射 (Gaussian Splatting, 3DGS) 的混合框架 GaussianPU。方法将稀疏点云渲染为双尺度图像，经图像修复网络生成密集2D图，再与相机位姿及稀疏点云输入3DGS重建密集彩色点云。对比传统分块上采样，该方法可在单张GPU上处理整云，获得高保真百万级点云，显著提高彩色点云质量.
论文链接：GaussianPU - arXiv
开源实现：—
(2025, arXiv) PUFM: Efficient Point Clouds Upsampling via Flow Matching
摘要：扩散模型是解决不适定问题的强大框架，最近的进展将其应用扩展到点云上采样。尽管现有的扩散模型潜力巨大，但它们仍面临效率低下的困境，因为它们将高斯噪声映射到真实点云，忽略了稀疏点云固有的几何信息。为了解决这些效率低下的问题，我们提出了 PUFM，这是一种光流匹配方法，可以将稀疏点云直接映射到其高保真密集对应点云。我们的方法首先对稀疏点云进行中点插值，以解决稀疏点云和密集点云之间的密度不匹配问题。由于点云是无序表示，我们引入了一种基于地球移动距离 (EMD) 优化的预对齐方法，以确保稀疏点云和密集点云之间的连贯插值，从而使光流匹配中的学习路径更加稳定。在合成数据集上的实验表明，我们的方法可以提供卓越的上采样质量，但采样步骤更少。在 ScanNet 和 KITTI 上进行的进一步实验也表明，我们的方法在 RGB-D 点云和 LiDAR 点云上具有很好的推广性，使其更适合实际应用。
论文链接：PUFM - arXiv
开源实现：GitHub
(2025, CVIU) ReLPU: Representation Learning of Point Cloud Upsampling in Global and Local Inputs
提出ReLPU框架，通过并行输入全局与局部结构增强上采样性能。具体地，对同一个点云，分别生成全局均匀分段的输入和局部patch输入，两者通过并行自动编码器提取特征后融合，再经共享解码器上采样输出。此双输入设计改善了稀疏/噪声区域的特征完整性和跨尺度一致性。实验将ReLPU应用于现有自编码器上，结果表明可提升几何保真度和鲁棒性，使用显著性图增强了模型可解释性。
论文链接：https://arxiv.org/abs/2501.07076
开源实现：—
(2025, ICLR) WIN: Variable-View Implicit LIDAR Upsampling Network
针对 LiDAR 点云上采样，提出WIN模型。该方法首先将单一视角的深度图分解为两个虚拟视图，以捕获更多几何信息；然后通过对比选择模块 (Contrast Selection) 将两个视图的上采样结果融合为概率分布形式，从而更好地恢复深度。实验中WIN相比当前SOTA在CARLA数据集MAE指标提升4.5%。
论文链接：WIN
开源实现：—
(2024, 3DV) PU-SDF: Arbitrary-Scale Uniformly Upsampling Point Clouds via Signed Distance Functions
提出基于局部特征的符号距离场 (LSDF-network) 及全局3D栅格网络的深度学习方法。LSDF网络学习输入点云的隐藏表面距离场，然后利用三维格点网格根据该距离场精确生成均匀分布的上采样点云。该方法支持任意放大率的均匀上采样，提升了重建精度和一致性。
论文链接：PU-SDF (2024, 3DV, CCF-C)
开源实现：—
(2024, T-CSVT) PU-Mask: 3D Point Cloud Upsampling via an Implicit Virtual Mask
提出PU-Mask框架，将上采样视为“局部补全”问题：假设输入稀疏点云是原始密集点云局部“遮挡”后的结果，网络学习恢复被遮挡的部分。首先通过虚拟掩码生成模块定位每个遮罩区域，采用掩码引导的Transformer式非对称自编码器(MTAA)提取特征。然后以虚拟掩码特定的池化策略生成粗上采样点集，最后利用可学习的伪拉普拉斯算子细化点位。大量实验表明PU-Mask优于现有方法。
论文链接：https://ieeexplore.ieee.org/abstract/document/10550758
开源实现：GitHub
(2025, AAAI) PLATYPUS: Progressive Local Surface Estimator for Arbitrary-Scale Point Cloud Upsampling
摘要：引入PLSE (Progressive Local Surface Estimator) 网络，通过基于曲率的采样专注学习曲面高曲率区域的特征，以更好地捕捉复杂部位的信息。同时使用难度渐进的课程学习策略，根据点云全局曲率分布动态调整训练样本难度。该方法有效避免了传统分块拼接产生的洞洞和伪影，生成高质量的密集点云，并在多项基准上超越现有方法
论文链接：https://ojs.aaai.org/index.php/AAAI/article/view/32445
开源实现：—
(2025, AAAI) SPU-IMR: Self-supervised Arbitrary-scale Point Cloud Upsampling via Iterative Mask-recovery Network
提出自监督上采样框架SPU-IMR，将上采样问题视作全局形状补全。方法先将输入点云分片并随机“掩盖”部分补丁，然后设计神经网络迭代地利用可见补丁重建被遮挡的形状。通过多次不同的掩码组合恢复得到的补全点云，可获得任意比例的密集点云。与传统插值方法相比，该补全式上采样在精度上显著优于现有自监督和监督方法
论文链接：https://ojs.aaai.org/index.php/AAAI/article/view/32667
开源实现：GitHub
(2025, SAC) PULLM: A Multimodal Framework for Enhanced 3D Point Cloud Upsampling Using Large Language Models
将大型语言模型 (LLM) 引入点云上采样，通过预训练的“PointLLM”与点云视觉特征的融合，学习统一的几何+语义表示。核心是特征感知转换 (FAT) 模块，用于将多模态信息映射到点云上采样特征中。相较于传统自监督方法，该方案在高度稀疏点云上能够更好地保留细节，生成更准确的密集点云。
论文链接：https://dl.acm.org/doi/abs/10.1145/3672608.3707900
开源实现：—
(2024, AAAI) Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling
本文提出了一种基于局部距离指示器（LDI）的连续隐式场方法，用于任意尺度的点云上采样。作者首先训练一个局部距离指示器，预测查询点到局部隐式曲面的无符号距离；然后利用该指示器引导学习整个稀疏点云的连续隐式距离场，并在推理时将随机采样的查询点投影到隐式场的零水平集上以生成稠密点云。该方法天然具备全局一致性，能够无需重新训练即支持不同放大率的上采样，并在合成与真实扫描数据集上取得了SOTA性能。
论文链接：https://ojs.aaai.org/index.php/AAAI/article/view/28102
开源实现：GitHub