Die Entwicklung eines Punktwolken-Up-samplers, dessen Ziel es ist, bei gegebener spärlicher Punktwolkenrepräsentation eine saubere und dichte Punktwolke zu generieren, stellt ein grundlegendes und herausforderndes Problem im Bereich der Computer Vision dar. Eine Reihe von Ansätzen verfolgt dieses Ziel durch die Etablierung einer Punkt-zu-Punkt-Abbildung mittels tiefer neuronalen Netze. Diese Verfahren sind jedoch anfällig dafür, Ausreißerpunkte zu erzeugen, da sie fehlende explizite Oberflächenbeschränkungen aufweisen. Um dieses Problem zu lösen, führen wir einen neuen Oberflächen-Regularisator in das Up-sampling-Netzwerk ein, indem wir das neuronale Netzwerk dazu zwingen, die zugrundeliegende parametrische Oberfläche, die durch bikubische Funktionen und Rotationsfunktionen repräsentiert wird, zu lernen. Die neu generierten Punkte werden anschließend auf dieser zugrundeliegenden Oberfläche eingeschränkt. Diese Konzepte werden in zwei unterschiedliche Netzwerke integriert, um zwei Aufgaben zu bearbeiten, die von Up-sampling-Schichten profitieren – die Punktwolken-Up-sampling und die Punktwolken-Vervollständigung – zur Evaluation. Die experimentellen Ergebnisse auf State-of-the-Art-Niveau für beide Aufgaben belegen die Wirksamkeit des vorgeschlagenen Ansatzes. Der Quellcode ist unter https://github.com/corecai163/PSCU verfügbar.