在三维视觉领域中,点云是一种经典的表示方式。基于激光雷达等物理传感器采集到的点云数据存在着含噪声、低分辨率等问题,无法满足如自动驾驶、虚拟现实等计算机视觉的应用需求,因此对点云数据增强方法的研究有重要意义。即给定分辨率较低的点云作为输入,通过点云增强方法得到稠密、高分辨率的点云。传统方法多使用对称性假设、数据库先验模型匹配等算法完成该任务,存在对噪声较为敏感和通用性较差的问题。近年来,随着Point Net和Point Net++的提出,人们可以使用神经网络中的自动编解码器结构直接处理点云数据,充分挖掘和提取点云数据特征,在处理点云的分类、分割问题上有成功的应用。相对于自动编解码器结构,生成对抗网络利用对抗博弈的思想,充分探索在空间中的潜在分布,在二维图像的超分辨等领域中表现出了巨大的潜力,且目前在点云数据增强中的应用较少。因此,本文采用生成对抗网络的思想构建点云增强网络,旨在对含噪声的、分辨率较低的输入点云进行增强,提升点云质量。本文的主要工作如下:首先,本文针对点云增强任务,搭建了基于生成对抗网络的框架,设计了一种基于稠密连接图卷积的点云增强网络,主要分为生成器、判别器两部分,通过生成器产生负样本,并结合原有作为正样本的标签点云训练判别器。在生成器中,通过最近邻算法构建图的结构,对多个包含跳跃连接的图卷积模块进行整合,旨在提取并聚合网络中不同尺度的特征,并使用位置编码模块增强网络对点云空间信息的感知。在结合生成器损失、判别器损失、重建损失和分布损失的联合约束下,得到最终分辨率较高的稠密点云。其次,为了加强对输入点云数据的长距离信息的提取能力,并加强局部邻域特征之间的联系,本文在上述方法的基础上,在生成器引入自注意力和局部注意力机制,并在判别器引入自注意力机制,提出了一种基于注意力机制改进的点云增强网络,进一步提高点云增强的效果。最后,本文在Visionair等数据集上进行实验,通过本文的两种方法,可将预测后点云的数据量提高为原始输入数据量的四倍。定量的结果表示,与基于Point Net++的方法相比,基于注意力改进的方法使倒角距离从0.98×10-3降低至0.52×10 3-,并且在不同的输入数据上有一定的泛化性。此外,本文对不同分辨率输入和不同噪声输入的数据上进行测试,进一步验证了基于注意力机制改进点云增强网络的有效性和鲁棒性。