La conception d’un upscaler de nuages de points, dont l’objectif est de générer un nuage de points propre et dense à partir d’une représentation sparse, constitue un problème fondamental et complexe en vision par ordinateur. Plusieurs approches récentes visent à atteindre cet objectif en établissant une fonction de correspondance point à point à l’aide de réseaux neuronaux profonds. Toutefois, ces méthodes sont sujettes à produire des points aberrants en raison de l’absence de contraintes explicites au niveau de la surface. Pour résoudre ce problème, nous introduisons un nouveau régularisateur de surface dans le réseau d’upscaling, en contraindre le réseau neuronal à apprendre la surface paramétrique sous-jacente représentée par des fonctions bicubiques et des fonctions de rotation, de sorte que les nouveaux points générés soient contraints sur cette surface sous-jacente. Ces innovations sont intégrées dans deux architectures de réseau distinctes, adaptées respectivement aux deux tâches d’upscaling de nuages de points et de complétion de nuages de points, afin d’évaluer leurs performances. Les résultats expérimentaux, qui atteignent l’état de l’art sur les deux tâches, démontrent l’efficacité de la méthode proposée. Le code est disponible à l’adresse suivante : https://github.com/corecai163/PSCU.