Este documento propone un algoritmo de fusión ponderada punto por punto basado en un mejorado consenso de muestra aleatoria (RANSAC) y ponderación por distancia inversa para abordar el problema de datos de nube de puntos de baja resolución obtenidos de sensores de detección y alcance de luz (LiDAR) y tecnologías únicas. Al fusionar nubes de puntos de baja resolución con nubes de puntos de alta resolución a nivel de datos, el algoritmo genera nubes de puntos de alta resolución, logrando la reconstrucción de súper resolución de nubes de puntos lidar. Este método reduce efectivamente el ruido en las nubes de puntos de alta resolución mientras preserva la estructura de las nubes de puntos de baja resolución, garantizando que la información semántica de las nubes de puntos de alta resolución generadas permanezca consistente con la de las nubes de puntos de baja resolución. Específicamente, el algoritmo construye un árbol K-d utilizando la nube de puntos de baja resolución para realizar una búsqueda de vecino más cercano, estableciendo la correspondencia entre las nubes de puntos de baja resolución y alta resolución. A continuación, se emplea el algoritmo RANSAC mejorado para el alineamiento de la nube de puntos, y se utiliza la ponderación por distancia inversa para la fusión ponderada punto por punto, dando como resultado final la nube de puntos de alta resolución. Los resultados experimentales demuestran que el método propuesto de reconstrucción de súper resolución de nube de puntos supera a otros métodos en diversas métricas. Notablemente, reduce la métrica de Distancia de Chamfer (CD) en 0,49 y 0,29 y mejora la métrica de Precisión en un 7,75% y 4,47%, respectivamente, en comparación con otros dos métodos.