随着深度传感器的普及推广,围绕三维点云的研究受到了学界和工业界极大的关注。在一些热点研究例如自动驾驶、虚拟现实、同步定位与建图中,点云扮演了不可或缺的角色,很多基于数据驱动的方法也被引入到点云研究领域并在上述研究任务上取得了优异的表现。超分辨点云生成是指给定稀疏的点云作为输入通过算法得到稠密的高质量点云,该任务本质上与图像超分辨率问题类似。然而对于超分辨率点云生成任务而言,由于点云的不规则表现形式和目标点云的不确定性,导致超分辨点云生成任务鲜少有工作发表。针对上述研究现状,本文探索了基于深度学习的超分辨点云生成任务,主要工作和贡献可以概括如下:1.在本文中,提出了一种基于局部插值和神经网络重调整的两阶段超分辨率点云生成框架。在框架的第一阶段,本文提出了一种基于局部特征的插值方法对输入的点云进行上采样,在得到初始上采样结果的同时保证点云密度的一致性。在后续阶段,本文设计了一种基于外积操作的神经网络来进一步对插值后的点云坐标进行重调整,从而完成点云由粗到细的转换。在已有方法使用的数据集上得到的实验结果证明了所提出的框架比现有方法拥有更小的误差和更精准的点云结果,点云的泊松重建结果也表明了本方法的有效性。2.为了以更高效的方式生成超分辨点云,针对已提出的框架的不足,本文提出了一种基于点云面片的端到端超分辨点云重建方法。先前的方法中点云坐标是逐点调整并且未考虑面片上不同尺度上几何特征。本文改进的网络中通过多层次的特征提取来捕获不同区域的密度信息与几何信息,汇聚了面片的局部特征和全局特征之后,最终获得重建出的高分辨点云。此外,本文进一步探索该端到端网络改造成点云自编码器的表现,从实验的结果验证该端到端点云重建方法的有效性。