激光雷达传感器可以获取准确的3D空间信息,被广泛地应用到自动驾驶和机器人等领域。然而,激光雷达获得的点云数据存在固有的缺陷:在空间上,点云非常的稀疏;时间上,点云帧率较低。论文拟利用深度学习的方案提升激光雷达点云时空稠密度,工作总结如下:（1）提出了一个用于伪雷达点云插值的深度学习网络。激光雷达可以在低帧率（约10 Hz）下提供可靠的3D空间信息,但是,在多传感器系统中,较高帧率的相机不得不降低帧率去匹配激光雷达。因此,提出一种新颖的伪雷达点云插值网络,通过增加激光雷达传感器数据的帧率匹配相机的采集速度,生成时间和空间上高质量的点云序列。本文设计了一个由相邻的稀疏深度图和二维运动关系指导的粗略插值网络,并利用真实场景信息指导精细插值过程。得益于由粗到细的级联结构,该方法可以逐步感知多模态信息以生成准确的中间帧点云。该方法是第一个用于伪雷达点云插值的深度学习网络,实验结果在KITTI数据集上取得了良好的性能。（2）提出了基于三维运动表示和空间监督的伪雷达点云插值算法。伪雷达点云插值旨在解决相机与激光雷达之间的帧率失配问题。上一个工作使用2D光流表示3D空间运动关系,并且插值点云的质量仅取决于2D深度图的监督,这就导致了生成点云的整体分布和局部细节基本满足要求。为了进一步提升精度,所提算法通过利用点云之间的场景光流,学习到了更精确的3D空间运动信息表示。此外,为了更全面地感知伪雷达点云的分布,设计了一种新颖的倒角距离重建损失函数,在3D空间中监督伪点云的生成。最后,为了促进纹理和深度特征的有效融合,引入了多模态深度聚合模块。得益于改进的运动表示、训练损失函数和模型结构,该方法在伪雷达点云插值任务上获得了较大的质量提升。（3）提出了基于稀疏深度约束的全局深度稠密化算法。伪点云插值或深度补全算法得到的深度图精度仍需提升。本文将提高深度图质量问题分解为两个阶段:1)基于稀疏深度图和彩色图像完成深度补全,得到粗糙的深度图;2)将深度图的优化问题转化为求解等式约束的优化方程。根据观测的稀疏深度值和邻近关系构建约束优化方程,全局优化深度信息。为了更好地查找邻近关系,在三维空间中使用K维树（K Dimensional Tree,KD-tree）查找点的邻近关系。本方法的相对误差明显小于其它方法,并且不需要针对不同的深度图再训练,适用于任何方法和网络得到的密集深度图的精细化,实验结果证明了各项指标与视觉效果均有提升。