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： 针对上述问题，本方案在保留 baseline 监督回归范式的基础上，引入五项关键改进：

坐标注入（Coordinate Injection）：Decoder 输入从 [feat] 改为 [feat, coord]，使每个点的预测位移与位置绑定，从根源上打破特征对称性，防止塌缩——这是 CD 提升的核心机制
Huber + L2 组合损失：Huber 对 Laplacian 噪声的重尾鲁棒，L2 保证零附近梯度平滑，组合后训练更稳定
Repulsion 正则：显式惩罚近邻点的预测位移过于相似，直接对齐 CD 的双向最近邻测度，反模式坍缩
多步迭代推理（Under-Relaxation）：x_{t+1} = x_t + 0.4·pred(x_t)，4 步迭代，每步重新编码+解码，”闭环控制”避免过冲，完全确定性不发散
训练信号 32× 放大：num_train_points 128→1024、patch_size 1000→2048、num_patches 1→2，配合 BatchNorm 让 lr 1e-5→5e-4

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