Le suréchantillonnage des nuages de points est essentiel pour assurer la qualité du maillage dans la reconstruction 3D. Les recherches récentes sur le suréchantillonnage des nuages de points ont connu un grand succès grâce au développement des réseaux de neurones profonds. Toutefois, les méthodes existantes traitent le suréchantillonnage à différents facteurs d’échelle comme des tâches indépendantes. Par conséquent, chaque facteur d’échelle nécessite un modèle spécifique entraîné séparément, ce qui s’avère inefficace et peu pratique en termes de stockage et de calcul dans les applications réelles. Pour remédier à cette limitation, nous proposons dans ce travail une nouvelle méthode, nommée « Meta-PU », permettant, pour la première fois, de supporter le suréchantillonnage des nuages de points à tout facteur d’échelle avec un seul modèle. Dans la méthode Meta-PU, outre le réseau principal composé de blocs de convolution de graphe résiduels (RGC), un sous-réseau métamorphique est appris afin d’ajuster dynamiquement les poids des blocs RGC, tandis qu’un bloc d’échantillonnage à distance est utilisé pour échantillonner un nombre variable de points. Grâce à ces deux composants, Meta-PU permet un suréchantillonnage continu du nuage de points à tout facteur d’échelle, tout en utilisant uniquement un modèle unique. En outre, les expérimentations montrent que l’entraînement simultané sur plusieurs échelles bénéficie mutuellement à chaque tâche. Ainsi, Meta-PU surpasse même les méthodes existantes entraînées spécifiquement pour une seule échelle.