摘要
近年来，随着3D扫描技术的发展，点云研究的数量不断增加。根据这一趋势，高质量点云的需求也在增长，但获取高质量点云的高成本问题仍然存在。因此，随着深度学习的显著发展，利用深度学习从低质量点云生成高质量点云的点云上采样研究成为了一个备受关注的领域。本文提出了一种新的点云上采样方法，称为基于多尺度特征注意机制的点云上采样（PU-MFA）。该方法受到先前研究的启发，这些研究报告了使用多尺度特征或注意力机制的良好性能，PU-MFA通过U-Net结构将两者结合。此外，PU-MFA自适应地利用多尺度特征来有效改进全局特征。通过使用PU-GAN数据集（一个合成点云数据集）和KITTI数据集（一个真实扫描的点云数据集）进行的各种实验，PU-MFA的性能与其他最先进方法进行了比较。在各种实验结果中，PU-MFA在定量和定性评估方面均表现出优于其他最先进方法的性能，证明了所提方法的有效性。还对PU-MFA的注意力图进行了可视化，以展示多尺度特征的效果。