Point Cloud Denoising

三阶段点云降噪管线：VM → CVM → SPCF。训练阶段对每样本随机采样 10k / 30k / 50k 点（multires），推理阶段对测试集全图 50k 点降噪。

---

Quick Start（推理 + 提交）

conda activate jittor   # 见下方环境配置

# 1. 解压测试集到项目根目录 -> ./dataset_test_noisy/
unzip dataset_test_noisy.zip

# 2. 推理并打包
bash scripts/pack_submission.sh
# 产出: output/predictions/ 与 submission.zip

等价命令：

python run.py --task configs/task/predict.yaml --seed 123
cd output/predictions && zip -r ../../submission.zip shapenet/

默认加载 checkpoints/spcf/checkpoint_best.pkl（线上全流程 75.57 分）。换权重只需改 configs/task/predict.yaml 中的 load_ckpt，或：

CKPT=checkpoints/spcf/checkpoint_best.pkl bash scripts/pack_submission.sh

---

环境配置

依赖：Python 3.9 · GCC/G++ ≤ 10 · CUDA · Jittor

conda create -n jittor python=3.9 -y
conda activate jittor
conda install -c conda-forge gcc=10 gxx=10 libgomp -y

cd /path/to/CG
python -m pip install -r requirements.txt
pip install point-cloud-utils

---

数据准备

路径默认为项目根目录下的相对路径，可按需修改 configs/data/ 中对应 yaml。

用途	默认路径	配置文件
训练	./dataset_train/	configs/data/train_{vm,cvm,spcf}.yaml
推理	./dataset_test_noisy/	configs/data/predict.yaml

训练集目录结构：

dataset_train/shapenet/<synset_id>/<model_id>/models/model_normalized.obj

测试集目录结构：

dataset_test_noisy/shapenet/<synset_id>/<model_id>/noisy.npy

数据列表：datalist/train.txt、validate.txt、test.txt。

---

预训练权重

checkpoints/
├── vm/checkpoint_99.pkl          # VM 续训起点（可选）
├── vm/checkpoint_299.pkl         # Stage 1 输出
├── cvm/checkpoint_best.pkl       # Stage 2 输出
└── spcf/checkpoint_best.pkl      # Stage 3 定稿（推理默认）

阶段	文件	说明
VM	checkpoints/vm/checkpoint_299.pkl	Stage 1
CVM	checkpoints/cvm/checkpoint_best.pkl	依赖 VM
SPCF	checkpoints/spcf/checkpoint_best.pkl	全流程定稿

---

训练（可选）

统一设置：export CUDA_VISIBLE_DEVICES=0，--seed 123。

三阶段按顺序执行；后一阶段 yaml 中的 vm_ckpt / cvm_ckpt 指向前一阶段输出。

python run.py --task configs/task/train_vm.yaml --seed 123
python run.py --task configs/task/train_cvm.yaml --seed 123
python run.py --task configs/task/train_spcf.yaml --seed 123

阶段	Task	输出目录
VM	configs/task/train_vm.yaml	checkpoints/vm/
CVM	configs/task/train_cvm.yaml	checkpoints/cvm/
SPCF	configs/task/train_spcf.yaml	checkpoints/spcf/

VM 续训说明：默认从 checkpoint_99.pkl 续到 epoch 299。若要从头训练 VM，删除 load_ckpt 并将 trainer.start_epoch 设为 0。

---

提交格式

submission.zip
└── shapenet/
    └── <synset_id>/
        └── <model_id>/
            └── denoised.npy    # float32, shape (N, 3)

---

定稿结果

指标	分数
总分	75.57
Chamfer Distance	62.51
Point-to-Surface	88.63

---

目录结构

CG/
├── run.py
├── checkpoints/              # 预训练权重
├── configs/
│   ├── task/                 # train_{vm,cvm,spcf}.yaml, predict.yaml
│   ├── data/
│   ├── model/
│   ├── system/               # vm / cvm / spcf（训练）, infer（推理）
│   └── transform/
├── datalist/
├── scripts/pack_submission.sh
└── src/

配置说明

• **configs/system/vm.yaml**：VM 训练循环与 checkpoint 保存路径。
• **configs/system/infer.yaml**：推理专用 runtime（predict 模式），与 VM 训练配置分离，避免歧义。
• **configs/task/predict.yaml**：默认推理入口，指向 checkpoints/spcf/checkpoint_best.pkl。

---

常见问题

Q: 没有 GPU / 没装训练数据，能复现提交吗？
可以。只需测试集 + predict.yaml（或 pack_submission.sh），使用仓库内 checkpoints/spcf/checkpoint_best.pkl。

Q: 训练报找不到 mesh？
确认 dataset_train/ 已解压，或修改 configs/data/train_*.yaml 中的 input_dataset_dir。

Q: 推理报找不到 noisy.npy？
确认 dataset_test_noisy/ 已解压，或修改 configs/data/predict.yaml。

Q: 随机种子？
定稿实验使用 --seed 123。