Point Cloud Denoising

环境配置

Python 3.9
Jittor 深度学习框架
NumPy, SciPy

文件结构

text ├── run.py # 主入口 ├── configs/ │ ├── task/ │ │ ├── train_vm.yaml # 训练配置 │ │ └── predict_vm.yaml # 推理配置 │ ├── model/vm.yaml # 模型超参数 │ ├── data/train.yaml # 数据配置 │ └── transform/ │ ├── vm.yaml # 训练/验证数据增强 │ └── predict.yaml # 推理数据变换 └── src/ ├── model/ │ ├── feature.py # 特征提取网络与解码器 │ ├── vm.py # 主模型（训练/推理逻辑） │ ├── parse.py # 模型解析 │ └── spec.py # 模型基类 ├── data/ │ ├── asset.py # 数据资产加载 │ ├── augment.py # 数据增强 │ ├── dataset.py # 数据集封装 │ └── transform.py # 变换流水线 └── system/ ├── vm.py # 系统与写入器 ├── parse.py # 系统解析 └── spec.py # 系统基类

快速开始

可以根据需要设置configs/task/predict_vm.yaml和train_vm.yaml中load_ckpt的值，设置训练的起始参数状态或推理所依据的模型。

训练:

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

训练数据需放置在./dataset_train/目录下，包含ShapeNet网格文件（.obj 格式）。

推理：

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

测试数据需放置在./dataset_test/目录下，每个样本为noisy.npy文件。降噪结果将保存至./result/。测试时需注释掉dataset.py中__getitem__函数的#self.transform.apply(asset=asset)一行。

方法概述

本方案将点云降噪建模为逐点位移回归任务，采用基于动态图卷积的编码器-解码器架构。编码器通过K近邻构建局部图结构，逐层提取点云几何特征；解码器将特征映射为三维位移向量，将含噪点”推回”真实表面。

核心优化包括：

加权平均拼接：替代原始硬选择策略，保证输出点数守恒并消除拼接伪影
迭代去噪：多次执行分块去噪-重组过程，逐步逼近真实表面
斥力后处理：对局部聚集点施加微调偏移，改善点云均匀性，提升Chamfer Distance指标

数据获取

训练集文件从此获取测试集文件从此获取

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