En los últimos años, la tecnología de superresolución de nubes de puntos ha surgido como una solución para generar un conjunto más denso de puntos a partir de nubes de puntos dispersas y de baja calidad. Los métodos tradicionales de superresolución de nubes de puntos suelen estar optimizados en base a restricciones como el suavizado de superficies locales; por lo tanto, estos métodos son difíciles de utilizar para estructuras complejas. Para abordar este problema, propusimos una red de superresolución de nubes de puntos convolucionales basada en un mecanismo de atención mixta (GCN-MA). Esta red constaba de dos partes principales, es decir, extracción de características y aumento de puntos. Para la extracción de características, diseñamos un módulo de conexión denso mejorado que integraba un mecanismo de atención y convolución de gráficos, lo que permitía a la red aprovechar tanto las características globales como locales de la nube de puntos para la tarea de superresolución. Para el aumento de puntos, adoptamos la atención de canal para suprimir la información de baja frecuencia que tenía poco impacto en los resultados de aumento. Los resultados experimentales demostraron que el método propuesto mejoró significativamente el rendimiento de superresolución de nubes de puntos de la red en comparación con otros métodos correspondientes.