无结构点云是三维视觉和图形学中对真实世界场景的一种典型形状表示方式,由于捕获无结构点云的设备、处理方式等原因,不可避免地会出现形状不完整的点云,这对于物体的识别和检测、表面重建、体积估算等任务的准确度影响巨大。通过对称性假设,数据库匹配等传统方法来完成点云形状补全任务,对于点云数据的噪声大小也比较敏感,准确性和通用性较差。近年来,随着PointNet的提出,人们可以使用神经网络直接处理点云数据,提取点云特征,基于深度学习的点云生成方法开始广泛应用并取得了不错的效果,其中就包括用于点云形状补全的方法。针对现有点云二维图像表示和三维体素化的点云形状补全方法,需要先验基础形状的结构、拓扑和注释等问题,本文提出了一种从稀疏到密集的多编码解码器神经网络结构,将形状残缺的输入点云从稀疏到密集分两个阶段进行补全形状并优化。第一阶段,使用双层PointNet和三层的全连接网络来生成一个稀疏但形状完整的点云。第二阶段,该网络通过使用PointNet++对第一个阶段的稀疏结果进行编码和解码,生成一个密集而且高保真的点云。该方法将距离损失和斥力损失结合起来,设计了一个联合损失函数来优化网络的学习能力,以生成分布更均匀更接近于真实点云的输出点云。通过在公共数据集ShapeNet上进行实验,定性和定量测试和分析表明,本文提出的方法适用于端到端均匀补全无结构点云形状,获得了较为准确的点云局部细节;可直接应用于不完整、含有噪声或遮挡的点云而无需任何变换,且不对输入点云中的不完整分布和几何特征做出任何特定假设;对于噪声或者大面积遮挡具有良好的鲁棒性,且在点云的实际结构恢复,均匀性方面优于现有的基于学习的点云形状补全方法。