# PFNet-PointCloudCompletion

**Repository Path**: kellyworld0/pfnet-point-cloud-completion

## Basic Information

- **Project Name**: PFNet-PointCloudCompletion
- **Description**: 本项目基于PFNet（Point Fractal Network）实现了点云补全任务，通过多尺度特征提取和分层生成策略，从残缺的点云数据中恢复完整的3D形状。网络采用从粗到细的三级生成结构（中心点→中间层→精细层），并结合Chamfer Distance损失与对抗训练损失进行优化，有效提升了补全结果的准确性与细节质量，适用于ShapeNet Part等标准点云数据集的训练与评估。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-06-25
- **Last Updated**: 2026-06-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# PF-Net: Point Fractal Network

## 项目简介

PF-Net（Point Fractal Network）是一个基于深度学习的3D点云补全网络。该项目利用点云分形结构和生成对抗网络（GAN）的思想，从不完整的点云数据中重建完整的3D形状。

## 项目特点

- **多尺度特征提取**：使用不同点数的点云（2048、1024、512）进行特征提取
- **分形结构**：采用类似分形的层级结构进行点云生成
- **GAN框架**：包含生成器（G-Net）和判别器（D-Net）的对抗训练
- **Chamfer Distance损失**：使用Chamfer距离作为点云重建的损失函数
- **支持多种数据集**：支持ShapeNet和ModelNet40数据集

## 项目结构

```
PF-Net-Point-Fractal-Network/
├── model_PFNet.py          # 网络模型定义（G-Net、D-Net、特征提取等）
├── Train_PFNet.py          # 训练脚本
├── data_utils.py           # 数据增强工具类
├── utils.py                # 工具函数（Chamfer距离、最远点采样等）
├── ModelNet40Loader.py     # ModelNet40数据加载器
├── shapenet_part_loader.py # ShapeNet数据加载器
├── show_CD.py              # 可视化Chamfer距离结果
├── show_recon.py           # 可视化重建结果
├── Test_csv.py             # 测试脚本
├── Checkpoint/             # 模型检查点保存目录
├── dataset/                # 数据集目录
├── test_example/           # 测试示例
└── test_one/               # 单点测试
```

## 依赖环境

- Python 3.x
- PyTorch
- NumPy

## 数据集准备

### ShapeNet数据集
将ShapeNet数据集放置在以下路径：
```
./dataset/shapenet_part/shapenetcore_partanno_segmentation_benchmark_v0/
```

### ModelNet40数据集
取消训练脚本中的ModelNet40相关注释并注释掉ShapeNet部分。

## 训练模型

### 使用GAN训练（推荐）
```bash
python Train_PFNet.py --D_choose 1 --niter 200 --batchSize 8 --crop_point_num 512
```

主要参数说明：
- `--D_choose 1`: 使用判别器进行GAN训练
- `--niter`: 训练轮数
- `--batchSize`: 批次大小
- `--crop_point_num`: 裁剪点数
- `--learning_rate`: 学习率（默认0.0002）
- `--cropmethod`: 裁剪方法（random_center/random/center）

### 仅使用生成器训练
```bash
python Train_PFNet.py --D_choose 0 --niter 200 --batchSize 8 --crop_point_num 512
```

## 测试模型

```bash
python Test_csv.py
```

## 可视化结果

### 重建结果可视化
```bash
python show_recon.py
```

### Chamfer距离可视化
```bash
python show_CD.py
```

## 网络架构

### 生成器（G-Net）
生成器采用多尺度层级结构：
1. **Latentfeature模块**：从不同尺度点云提取特征
2. **分形生成**：从64个中心点逐步扩展到64×2×N个点
3. **输出**：三层点云输出（中心点1、中心点2、精细点）

### 判别器（D-Net）
判别器用于判断点云的真实性：
- 卷积层提取局部特征
- 最大池化聚合全局特征
- 全连接层输出真伪判断

## 损失函数

- **Chamfer Distance**：衡量两点云之间的距离
- **GAN损失**：对抗训练损失
- **多尺度损失**：包含不同层级点的重建损失

## 训练策略

- 使用Adam优化器，学习率为0.0001
- 每40个epoch将学习率乘以0.2
- 多尺度点云输入（2048、1024、512）
- 随机视角裁剪进行数据增强

## 注意事项

- 训练前请确保已正确配置数据集路径
- 建议使用GPU进行训练以获得更好的性能
- 模型检查点会每10个epoch保存一次

## 许可证

请参考原项目的许可证。