点云降噪赛题 Baseline

优化版的详细修改、验证方法和离线对照结果见 OPTIMIZATION_NOTES.md。

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

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。

优化版配置使用修正后的插值位移目标、混合噪声训练和更强的解码器：

python run.py --task configs/task/train_vm_v2.yaml

每轮都会保存权重，并根据验证损失更新 experiments/vm_v2/checkpoint_best.pkl。

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))。

优化版推理：

python run.py --task configs/task/predict_vm_v2.yaml

调优后的 v3 推理复用 v2 权重，并使用离线验证选出的迭代步长：

python run.py --task configs/task/predict_vm_v3.yaml

v4 引入时间/位置条件和混合鲁棒损失，需要重新训练，不能加载 v2/v3 权重：

python run.py --task configs/task/train_vm_v4.yaml
python run.py --task configs/task/predict_vm_v4.yaml

打包提交

cd results
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)

本地评测（需要 GT 数据，仅组委会持有）

python evaluate.py \
    --pred_dir ./results/dataset_test_noisy \
    --gt_dir ./test_gt \
    --noisy_dir ./dataset_test_noisy \
    --mesh_dir ./dataset_train \
    --workers 8