点云降噪赛题 Baseline

环境安装

# 安装计图
conda create -n jittor python=3.9 -y
conda activate jittor
conda install -c conda-forge gcc=10 gxx=10 -y # 确保gcc、g++版本不高于10
conda install -c conda-forge libgomp -y # 确保OpenMP runtime存在

# 安装依赖
python -m pip install -r requirements.txt
pip install jittor numpy trimesh scipy omegaconf point-cloud-utils

数据准备

将训练数据 dataset_train.tar.gz 解压到本目录下：
```
tar xzf dataset_train.tar.gz
```
解压后目录：dataset_train/shapenet/<synset_id>/<model_id>/models/model_normalized.obj
将测试数据 dataset_test_noisy.zip 解压到本目录下：
```
unzip dataset_test_noisy.zip
```
解压后目录：dataset_test_noisy/shapenet/<synset_id>/<model_id>/noisy.npy

训练

python run.py --task configs/task/train_vm.yaml

训练权重保存在 experiments/ 目录下。

推理（生成提交文件）

修改 configs/task/predict_vm.yaml 中的 load_ckpt 为你的最佳权重路径，然后运行：

python run.py --task configs/task/predict_vm.yaml

降噪结果保存在 results/ 目录下，格式为 .npy (float32, shape (N,3))。

打包提交

cd results/dataset_test_noisy
zip -r ../../result.zip shapenet/

提交格式

每个测试样本一个 denoised.npy，目录结构与测试集一致，打包为 result.zip：

result.zip
  shapenet/
    <synset_id>/
      <model_id>/
        denoised.npy    # np.float32, shape (N, 3)

DRD 扩散模型推理

基于 TVCG 2026 “Deterministic Point Cloud Diffusion for Denoising” (DRD) 的改进实验。

配置

# 修改 configs/task/predict_drd.yaml 中的 load_ckpt 指向 DRD checkpoint
python run.py --task predict_drd

模型文件

文件	说明
`src/model/drd_net.py`	DRD 扩散模型（DrdDenoiseNet + DrdDecoder）
`src/model/time_emb.py`	时间嵌入模块（正弦位置编码 + MLP）
`configs/model/drd.yaml`	DRD 模型配置（T=30, schedule=decreased）
`configs/task/predict_drd.yaml`	DRD 推理配置

实验版本历史

点云去噪（正赛赛道二）

版本	核心改动	CD	P2S	总分	说明
Baseline	VM 100ep，单步推理	47.94	75.03	61.48	官方基线
V3 (最佳)	VM 200ep + Warmup Cosine LR	50.19	75.00	62.59	训练侧改进，稳定有效
V2	多步x3 + patch 2000	33.81	84.45	59.13	推理侧：迭代过冲
V4	单步 + patch 2000	48.99	72.77	60.88	大patch单步无增益
DM	V3 + DistanceModule	36.63	54.23	45.43	Jittor兼容性受限
Fusion	三尺度KNN平均	50.09	74.80	62.44	三尺度结果一致
V6	5角度旋转投票	49.49	74.28	61.89	旋转对去噪影响小
V8	10步Langevin	49.17	74.13	61.65	精细步长无增益
DRD	30步扩散，SCnet DCU训练254ep	33.81	84.45	59.13	扩散范式探索：P2S显著提升，CD受限于训练不完整

点云分类（热身赛二）

版本	核心改进	A榜准确率	说明
Baseline	基础PCT	84.89%	基线
V2	受控增强+2048pt+Label Smooth	86.30%	核心改进
V3 (最佳)	V2 + 10次旋转投票	86.71%	投票推理

本地评测（需要 GT 数据，仅组委会持有）

python evaluate.py \
    --pred_dir ./results/dataset_test_noisy \
    --gt_dir ./test_gt \
    --noisy_dir ./dataset_test_noisy \
    --mesh_dir ./dataset_train \
    --workers 8