使用深度网络学习和分析3D点云具有挑战性，主要是由于数据的稀疏性和不规则性。在本文中，我们提出了一种数据驱动的点云上采样技术。其核心思想是在每个点上学习多级特征，并通过多分支卷积单元在特征空间中隐式地扩展点集。扩展后的特征随后被拆分为多个特征，再重构为上采样的点集。我们的网络在补丁级别应用，并采用联合损失函数，该函数鼓励上采样的点保持在底层表面上且分布均匀。我们使用合成数据和扫描数据进行了各种实验，以评估我们的方法并展示其相对于一些基线方法和基于优化的方法的优势。结果表明，我们的上采样点具有更好的均匀性，并且更接近底层表面。