jittor-冬日-赛道二点云去噪

计图比赛赛道二 · 战队「冬日」· 点云去噪项目

基于 Jittor 框架的 IterativePFN（IterPFN）点云去噪方案，对官方带噪声 点云进行去噪并生成比赛提交文件。本仓库为可复现的 extra80 基线： 在官方 IterPFN checkpoint 推理结果之上做残差收缩校准 （output = noisy + 0.98 × (IterPFN(noisy) − noisy)，系数 0.98 在两个本地 验证划分上选出），目标分数区间约 80–81，比赛服务器为唯一权威评测。

目录结构

├── code/               # 全部代码与配置
│   ├── run.py          #   统一入口（训练/推理均由 task 配置驱动）
│   ├── evaluate.py     #   评测脚本
│   ├── configs/        #   data/model/system/task/transform 五类 YAML 配置
│   ├── src/            #   核心代码：data / model / system
│   ├── tools/          #   提交打包、格式校验、本地验证集构建等工具
│   └── datalist/       #   训练/本地验证/测试划分清单
├── checkpoints/        # 模型权重（不入库，需自行准备，见下文）
├── LICENSE
└── requirements.txt    # 与 code/requirements.txt 内容一致

环境安装

• Python >= 3.8
• NVIDIA GPU + CUDA（Jittor 需要）

pip install -r requirements.txt

数据准备

官方数据集不入库，请从比赛官方页面下载后放入 code/ 目录：

code/dataset_train/         # 训练集
code/dataset_test_noisy/    # 官方测试集（带噪声），形如
                            #   shapenet/.../noisy.npy

可选：生成 testlike 本地验证划分：

cd code
python tools/build_testlike_validation.py \
  --train_root ./dataset_train \
  --output_root ./dataset_local_val_testlike \
  --datalist ./datalist/val_testlike.txt

权重准备（不入库）

按开源规范，模型权重不随仓库提交。两种获取方式：

1. 复现 extra80 基线：下载官方公开的 IterPFN seed2_ep87.pkl （EMA checkpoint），放到 checkpoints/seed2_ep87.pkl， 并在 code/configs/task/predict_extra80.yaml 中确认权重路径指向它；
2. 自行训练：按下节命令重新训练，权重输出到 outputs/iterpfn_seed2/checkpoints/。

训练

cd code
python run.py --task configs/task/train_seed2.yaml

• 训练种子等系统参数见 code/configs/system/iterpfn_seed2.yaml；
• 数据集、模型、变换参数分别在 code/configs/data|model|transform/ 下， task 配置组合引用它们，命令行无需额外参数。

评测/推理

# 对官方测试集推理（extra80 基线）
cd code
python run.py --task configs/task/predict_extra80.yaml

# 打包校准后的提交 zip
python tools/build_extra80_submission.py \
  --noisy-root ./dataset_test_noisy \
  --prediction-root ../outputs/extra80/base/dataset_test_noisy \
  --output-dir ../outputs/extra80/calibrated \
  --zip-path ../outputs/extra80/submission_extra80.zip \
  --report-path ../outputs/extra80/submission_extra80_report.json \
  --alpha 0.98

生成预测后也可用 code/tools/check_denoised_format.py 校验提交格式、 code/tools/eval_labels.py 在本地验证集上算分。

结果说明

• 指标：比赛服务器评分（点云去噪质量，由官方评测程序计算），本地可用 tools/eval_labels.py 在 testlike 验证划分上近似评估。
• 本基线预期分数区间约 80–81；残差收缩系数 0.98 是在本地验证划分上 选出的，线上成绩以比赛服务器为准，可能存在合理差异。
• 本仓库不含高分提交中使用的微调权重、扩大 patch、多覆盖推理、 密度斥力与 QMLS 精炼等技巧，是一个刻意保持简单的独立可复现基线。

第三方引用与声明

• 模型与 checkpoint 来源于官方公开的 IterativePFN（IterPFN）， 保留其原始出处与许可；本仓库仅在其之上做残差收缩校准， 是可复现的替代基线，非对原工作的重新署名。
• 框架：Jittor（清华大学计图团队）。