PDLTS：Jittor 三维点云去噪竞赛开源仓库

本仓库提供第六届计图人工智能挑战赛赛道二的 A/B 榜最终方案、权重、训练推理代码及实验依据。任务输入为带噪三维点云，输出保持相同点数，最终推理不读取干净点云、真实网格或标签。仓库命名遵循赛题组要求：

jittor-怎么才能提交成功队-PDLTS

成绩

榜单	名次	分数
A 榜	第 5 名	84.10（CD 74.08 / P2S 94.13）
B 榜	第 8 名	81.05（CD 70.01 / P2S 92.10）

最终方案

最终方案以 PD-LTS Light 为基础，在 Jittor 中采用仿射耦合层实现可逆变换，并用第一遍实际输出训练第二遍专训模型。B 榜推理流程为：

带噪点云 -> 第一遍基础模型 -> 第二遍专训模型 -> 提交结果

第一遍模型在 B 榜训练数据上从零训练 100 轮，再通过 strict resume（严格续训，恢复模型、优化器和随机状态）训练到 ep149。第二遍 specialist（第二遍专训模型）从第一遍权重初始化，在固定 2000 个训练形状的第一遍输出上训练 50 轮。

A 榜最终方案还使用评分归一化损失微调和冻结几何方向场后处理；B 榜采用普通双向 Chamfer（倒角距离）损失，不使用这两项组件。两榜配置分别由对应评测确定，见 A/B 榜算法改动。

目录与入口

a_board/       A 榜完整复现：模型、配置、脚本与两份权重
b_board/       B 榜完整复现：模型、配置、脚本、两份权重及结果来源
experiments/   分类实验、A 榜完整记录、B 榜与后期研究、指标证据
lessons/       按研究问题归纳的经验、未采用原因与适用边界
docs/          方法、两榜差异、评测规范、来源与发布范围
validation/    验证脚本与 reports/ 检查报告
manifests/     整个公开目录的文件哈希清单
LICENSES/      第三方许可证

阅读目的	入口
复现 A 榜	A 榜方案与复现
复现 B 榜	B 榜方案与复现
查实验设置、结果与证据	分类实验记录
查哪些做法有效、哪些条件下失败	实验经验
理解算法和评分	方法概览、评测规范
核查公开范围和文件	文档目录、发布验证

A/B 分别保留完整运行链，共用环境依赖和文档。数据集、预测数组和大型缓存不随仓库分发。

A 榜快速复现

将测试数据放入 a_board/dataset/test_noisy/，安装根目录环境依赖后执行：

bash a_board/run_all.sh infer

该命令使用随包权重，执行两遍推理和冻结方向场后处理。数据结构、从零训练与各阶段配置见 A 榜复现说明。

环境安装

环境建议：

• Ubuntu 22.04
• Python 3.9.25（已测环境）
• CUDA 12.x（云端完整验证使用 12.2）
• Jittor 1.3.10
• 24GB 显存 GPU

安装依赖：

python -m pip install -r requirements.txt

数据准备

从比赛官网的“评测数据”栏目按参赛账号权限获取赛道二数据，分别使用对应榜单的训练集和测试集。比赛数据不随仓库分发，也不提供绕过官方访问权限的下载镜像。

数据根目录采用仓库内相对路径：A 榜为 a_board/dataset/，B 榜为 b_board/dataset/。数据已存于其他磁盘时，可在这两个目录下建立指向实际数据的软链接。B 榜测试与训练路径分别由 b_board/starter_code/configs/data/b_final/official_b_test_noisy.yaml 和 train_b_generated.yaml 的 train_dataset / predict_dataset 下 datapath.input_dataset_dir 指定，配置中的相对路径以 b_board/starter_code/ 为基准。完整流水线还使用约定的 dataset/ 路径，因此运行流水线时应保持下述目录结构或用软链接映射，不能仅修改一个配置字段。

B 榜评测／推理

将官方 B 榜测试数据放到：

b_board/dataset/test_noisy_b/shapenet/00000000/<sample_id>/noisy.npy

测试集应有 200 个样本。然后在仓库根目录执行：

bash b_board/reproduce_b_final.sh \
  --base-ckpt b_board/checkpoints/base_ep149.pkl \
  --specialist-ckpt b_board/checkpoints/specialist_final.pkl

脚本会检查数据数量、执行两遍推理、确认每遍输出完整，并生成 result.zip。

从原始训练数据重训

将官方 B 榜训练 mesh 放到：

b_board/dataset/train_b/shapenet/00000000/<sample_id>/models/model_normalized.obj

然后执行：

cd b_board
bash scripts/experiments/b_final/train_b_final_pipeline.sh

该流水线依次生成训练对、训练基础模型、生成第一遍缓存和训练第二遍专训模型。基础模型配置为 b_board/starter_code/configs/task/b_final/train_base_scratch_ep100.yaml，续训配置为同目录的 train_base_resume_ep100_149.yaml。已有流水线生成的训练对和 train_b_generated.txt 时，可从仓库根目录单独启动基础模型训练：

cd b_board/starter_code
python run.py --task b_final/train_base_scratch_ep100 --seed 123

这条命令只训练前 100 轮，完整最终方案应使用上面的全流程命令。A 榜全流程为仓库根目录执行 bash a_board/run_all.sh full，其基础训练配置为 a_board/starter_code/configs/task/repro/01_train_base.yaml。基础模型随机种子为 123；各数据生成和专训阶段的种子由对应脚本的 --seed 参数指定，默认值及训练契约见两榜复现说明。

b_final 目录包含最终 B 榜方案的训练脚本及配置。目录与配置对应关系见 目录与配置名称。

复现实验边界

结果包含 CD（Chamfer distance，倒角距离）和 P2S（point-to-surface，点到面距离）两项。公开本地评测按带噪输入相对真值的误差改善比例分别计分，总分为 0.5 × CD_score + 0.5 × P2S_score；缺失或非法预测按评测规则处理。具体计算、数据对齐与可执行评测命令见 评测规范。本地模拟评测不等于官方线上成绩；测试集没有公开真值时只能复现推理输出，不能在本地独立重算线上成绩。

随仓库权重可以复现 B 榜 81.05 对应的推理链。由于 2026-08-11 首次生成 B 榜训练对时使用了 Python hash() 且未固定 PYTHONHASHSEED，无法从原始 mesh 逐位重建当时的训练点云对；当前重训脚本已改用 SHA-256 派生稳定种子，能复现训练流程，但不能保证新权重与线上提交权重逐位一致。

方案选择依据

PyTorch 横评中，训练 20 轮的 PD-LTS Light、Heavy、StraightPCF 和 ScoreDenoise 的 mock20（20 样本本地模拟评测）分别为 82.68、57.89、70.20 和 43.97。Light 在已测配置中得分最高，记录训练耗时约为 Heavy 的三分之一。Jittor Heavy 的 RTX 4090 长训反复失败，后续 Heavy + EMD（地球移动距离）实验也未达到继续扩量要求。各方法的初始化和训练预算存在差异，现有结果没有确定 Heavy 的充分收敛表现。

Light 的 Jittor 改造主要减少数值求解器的移植和维护成本：仿射耦合直接求逆，使用常规自动求导。历史名义单调/仿射运行的结构身份存在疑点，不能用其相同分数证明结构等价；原始分数与核查边界见 结构实验。

基础模型、同模型重复推理和第二遍专训分别比较。A 榜同模型二遍在已测基座上有效，三遍回落；B 榜同模型二遍负向，但针对第一遍实际输出训练的专训模型有效。最终采用两遍专训，依据是对应数据和基座上的完整点云评测。详细设置与证据见 实验结果与方案选择。

剩余误差与研究结果

后期研究检查了匹配蒸馏、位移学习、曲面恢复、密度校准和候选选择。Oracle（使用特权信息的理想参照）在 A 榜局部匹配实验中达到 99.51，同次 mock200 基线为 83.72；晚期 B 榜固定候选池的真值选择提高约 11.11 分。这些结果说明已测输出仍有改进空间，不计入线上成绩，也不是对所有方法求得的严格最优上界。

B 榜可部署分类器的 ROC-AUC（分类排序指标）为 0.670，直接全局选点仍下降约 10.81 分，覆盖误差显著增大。其他对照还发现，位移幅度校准不保证连续更新有效，原始几何误差改善不保证归一化评分改善。已有证据支持分别检查信息恢复、模型表示、集合选择和评分目标，尚未证明不可突破的信息限制。

工作范围、受实验条件限制的结论与后续检查方法见 研究范围、对照结果与经验；各类特权参照与逼近方法见 Oracle 分析。公开目录提供指标摘录及来源哈希，历史诊断代码、缓存和检查点未全部提供，完整研究尚不能全部一键复跑。

文件来源与验证

代码来源及随仓库提供的内容见 代码来源与发布范围。

四份最终权重由本项目训练，每份约 3.11 MB，直接随对应榜单的 checkpoints/ 目录提供；用途是复现最终推理，来源与 SHA-256 校验值见该目录及 B 榜结果清单。这些小型最终权重是明确保留项，不包含训练过程检查点、优化器状态或大型模型权重。其余生成权重、数组、日志与输出目录默认由 .gitignore 排除。

当前目录的文件清单、验证结果及检查命令见 发布准备与验证。

许可与引用

本项目原创部分采用 MIT 许可证，第三方代码保留各自授权，详见 第三方来源与许可。软件引用信息见 CITATION.cff， PD-LTS 基础论文引用见第三方声明。比赛数据不随包提供。