In jüngerer Zeit hat sich die Forschung mit Punktwolken durch die Entwicklung von 3D-Scanner-Technologien intensiviert. Gemäß diesem Trend nimmt die Nachfrage nach hochwertigen Punktwolken zu, es besteht jedoch weiterhin das Problem der hohen Kosten für deren Erstellung. Daher gewinnt die Forschung zum Aufsamplen von Punktwolken, bei der tiefes Lernen verwendet wird, um aus niedrigen Qualitätspunktwolken hochwertige zu generieren, dank der bemerkenswerten Fortschritte im Bereich des tiefen Lernens zunehmend an Bedeutung und ist eines der Bereiche, die erhebliches Interesse wecken. In dieser Arbeit wird eine neue Methode für das Aufsamplen von Punktwolken vorgeschlagen, die als Point Cloud Up-sampling via Multi-scale Features Attention (PU-MFA) bezeichnet wird. Inspiriert durch frühere Studien, die gute Ergebnisse mit mehrskaligen Merkmalen oder Aufmerksamkeitsmechanismen berichteten, kombiniert PU-MFA diese beiden Ansätze durch eine U-Net-Struktur. Darüber hinaus nutzt PU-MFA mehrskalige Merkmale adaptiv, um globale Merkmale effektiv zu verfeinern. Die Leistungsfähigkeit von PU-MFA wurde durch verschiedene Experimente unter Verwendung des synthetischen Punktwolken-Datensatzes PU-GAN sowie des realgescannten Punktwolken-Datensatzes KITTI mit anderen Stand-of-the-Art-Methoden verglichen. In verschiedenen experimentellen Ergebnissen zeigte PU-MFA eine überlegene Leistung sowohl in quantitativer als auch in qualitativer Bewertung im Vergleich zu anderen Stand-of-the-Art-Methoden und bewies damit die Effektivität der vorgeschlagenen Methode. Zudem wurde die Aufmerksamkeitskarte von PU-MFA visualisiert, um den Einfluss der mehrskaligen Merkmale zu verdeutlichen.