SPU-Net：基于自投影优化由粗到细重建的自监督点云上采样网络

点云上采样任务旨在从稀疏且不规则的点集获取稠密且均匀的点集。尽管深度学习模型已取得显著进展，现有最优方法需要真实稠密点集作为监督，这使其仅限于在合成配对训练数据下训练，且不适用于真实扫描的稀疏数据。然而，从真实扫描的稀疏数据获取大量配对稀疏-稠密点集作为监督是昂贵且繁琐的。为解决此问题，我们提出一种自监督点云上采样网络，名为 SPU-Net，以捕捉位于物体潜在表面上的点的固有上采样模式。具体而言，我们提出一种由粗到细的重建框架，包含两个主要组件：点特征提取与点特征扩展。在点特征提取中，我们将自注意力模块与图卷积网络（GCN）相整合，以同时捕捉局部区域内及区域间的上下文信息。在点特征扩展中，我们引入一种分层可学习的折叠策略，利用可学习的 2D 网格生成上采样点集。此外，为进一步优化生成点集中的噪声点，我们提出一种新颖的与均匀项和重建项相关联的自投影优化作为联合损失，以促进自监督点云上采样。我们在合成与真实扫描数据集上进行了多种实验，结果表明我们取得了与最优监督方法相当的性能。