本文介绍了一种基于transformer模型的点云上采样方法，提出了Stratified Transformer算法，增强了长程依赖建模能力。同时，研究探讨了预训练2D知识在点云分析中的应用，提出了CDFormer架构和Point Transformer V3模型，解决了准确性与效率的权衡问题，并在多个数据集上取得了优异的分类和分割结果。

该文综述点云深度学习研究进展，涵盖表面重建、点云上采样与局部形状估计。Points2Surf结合局部深度与全局粗略信息提升重建精度，误差降低30%以上；PC²-PU利用点与补丁关联实现稳健上采样；另有方法通过点云卷积与学习插值生成精细细节。PCPNet基于patch学习估计法线和曲率，抗噪性强。整体表明深度网络在泛化能力、细节保真和复杂场景重建上优于传统方法。