摘要
点云上采样对于三维重建中网格质量具有至关重要的作用。近年来，得益于深度学习的发展，点云上采样研究取得了显著进展。然而，现有方法通常将不同上采样倍数的点云上采样视为相互独立的任务，因此需为每个特定的上采样倍数单独训练一个模型，这在实际应用中不仅效率低下，而且在存储与计算方面也难以满足需求。为克服这一局限，本文提出一种新型方法——“Meta-PU”，首次实现仅用单一模型即可支持任意上采样倍数的点云上采样。在Meta-PU方法中，除包含残差图卷积（Residual Graph Convolution, RGC）块的主干网络外，还引入了一个元子网络（meta-subnetwork），用于动态调整RGC块的权重；同时采用最远点采样块（farthest sampling block），以实现不同数量点的采样。上述两个模块协同工作，使Meta-PU仅通过一个统一模型即可连续地对点云进行任意倍数的上采样。此外，实验结果表明，同时在多个上采样尺度上进行联合训练能够相互促进，因此Meta-PU在性能上甚至优于仅针对特定上采样倍数训练的现有方法。