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 scikit-learn

数据准备

1. 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

2. 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。可以选择将输出重定向到train.log以便查看，并且用analyze_val_loss.py分析验证损失。

python analyze_val_loss.py

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))。

推理完可能需要补全点云到目标点数（50000），可以使用 script.py:

python script.py

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)