jittorPCD

基于 Jittor 框架的点云去噪竞赛方案。

数据预处理

概述

预处理脚本 preprocess.py 将原始 OBJ 网格文件转换为模型训练所需的点云数据。整个流程分为 3 步，每步产出独立的缓存文件，支持断点续跑（已存在的文件自动跳过）。

运行方式

python preprocess.py --config preprocess.yaml --num_workers 16

参数说明：

参数	默认值	说明
--config	preprocess.yaml	配置文件路径
--num_workers	16	并行进程数
--n_points	配置文件中的 dataset.n_points (65536)	FPS 输出点数，决定训练点云密度
--n_surface	配置文件中的 dataset.n_surface (262144)	表面稠密采样点数，供 FPS 从中选取

配置文件

preprocess.yaml：

dataset:
  DATA_PATH: "dataset_train"   # 训练数据根目录
  n_surface: 262144            # Step 2 表面采样点数（稠密，供 FPS 从中选取）
  n_points: 65536              # Step 3 FPS 输出点数（决定训练点云密度）

n_surface 与 n_points 的关系： n_surface 是表面采样的稠密点数，n_points 是 FPS 从中选出的均匀子集大小。n_surface 应显著大于 n_points（建议 4x-8x），否则 FPS 退化为无意义的重排序。

依赖

• numpy
• tqdm
• pyyaml
• numba（可选，加速 FPS 约 3-5x）

数据目录结构

输入数据目录由配置文件中的 dataset.DATA_PATH 指定，期望如下结构：

dataset_train/
  shapenet/
    <synset_id>/          # ShapeNet 类别 ID，如 02691156（飞机）
      <model_id>/
        models/
          model_normalized.obj

处理流程

Step 1: OBJ → 顶点缓存

解析 OBJ 文件中的顶点坐标，保存为 .obj.npy 加速后续加载。

model_normalized.obj  →  model_normalized.obj.npy
                        (V, 3) float32

仅提取 v 开头的行（顶点），忽略面、法线、纹理坐标等信息。

Step 2: 表面均匀采样

在三角网格表面进行面积加权均匀采样，生成稠密点云。

model_normalized.obj  →  model_normalized_surface{n_surface}.npy
                        (n_surface, 3) float32，默认 262144

算法细节：

1. 解析 OBJ 中的三角面片（f 行，仅处理三角形，四边形及以上面片跳过）
2. 计算每个三角形面积：area = 0.5 × ||cross(v2-v1, v3-v1)||
3. 按面积比例采样三角形索引（np.random.choice，概率正比于面积）
4. 在选中的三角形内生成均匀分布的采样点（反射法生成重心坐标）

为什么需要这一步： 直接使用 OBJ 顶点会导致点云稀疏（低多边形模型可能只有几十个顶点），且顶点分布受建模拓扑影响不均匀。表面采样生成稠密点云作为 FPS 的输入池。

Step 3: 最远点采样（FPS）

从稠密表面采样点中选出 n_points 个空间分布最均匀的点。

model_normalized_surface{n_surface}.npy  →  model_normalized_fps{n_points}.npy
                                            (n_points, 3) float32，默认 65536

算法细节（贪心 FPS）：

1. 随机选择一个初始点
2. 维护每个点到已选集合的最小距离
3. 每步选择距离已选集合最远的点加入
4. 重复直到选够 n_points 个点

加速： 安装 Numba 后自动启用 JIT 编译加速（约 3-5x 提速），未安装则使用纯 NumPy 实现。

为什么需要这一步： 表面采样的点虽然稠密但分布受三角形面积影响，FPS 从稠密点集中选出空间分布最均匀的子集，保证点云均匀覆盖整个物体表面。

产出文件汇总

每个 OBJ 文件处理后产出以下缓存文件：

文件	内容	形状
model.obj.npy	顶点坐标缓存（Step 1）	(V, 3) float32
model_surface{S}.npy	表面稠密采样点（Step 2）	(S, 3) float32
model_fps{N}.npy	FPS 均匀子集（Step 3）	(N, 3) float32

其中 S = n_surface（默认 262144），N = n_points（默认 65536）。

Patch KNN 索引的预计算由各实验项目自行处理（不同项目的 patch 策略不同）。

训练时数据加载流程

DenoiseDataset（PointRWKV7/datasets/DenoiseDataset.py）在 __getitem__ 中加载 _fps{n}.npy，然后在线处理：

加载 FPS 点云 (n_points, 3)
  │
  ├─ 归一化到单位包围球（减中心，除以最大距离）
  │
  ├─ 数据增强（训练时）
  │   ├─ 50% 概率：均匀缩放 (0.8 ~ 1.2)
  │   └─ 50% 概率：随机 3 轴旋转 (ZYX Euler, ±π)
  │
  ├─ 添加拉普拉斯噪声
  │   └─ std ~ Uniform(0.005, 0.020)
  │
  ├─ 随机选 1 个种子，取其 K=1000 近邻 → patch (1000, 3)
  │
  ├─ DSM 插值
  │   └─ pat_mix = t × clean + (1-t) × noisy, t ~ U(1e-8, 1.0)
  │
  └─ 去中心化（减去种子点坐标）
      │
      └─ 返回: (pat_mix, pat_noisy, pat_clean)  各 (1000, 3)

模型输入： pat_mix (B, 1000, 3) — DSM 插值后的 patch

监督目标： pat_clean - pat_noisy (B, 1000, 3) — 从噪声到干净的位移场

点云去噪流程（推理）

输入：含噪点云 (N, 3)
  │
  ├─ 归一化到单位包围球
  │
  ├─ 提取 patch（种子 + KNN）
  │
  ├─ 模型预测位移场
  │
  ├─ 叠加到位移场到含噪点云
  │
  └─ 反归一化 → 输出去噪点云