AtlasNet [项目页面] [论文] [演讲]

AtlasNet：一种基于纸浆工艺的学习三维表面生成方法
蒂博·格鲁埃、马修·费舍尔、弗拉基米尔·G·金、布莱恩·C·罗素、马蒂厄·奥布里
发表于 CVPR, 2018。

:rocket: 新分支：AtlasNet + 基于可微分曲面表示学习的形状重建

安装

本实现使用 Python 3.6、Pytorch、Pymesh 和 Cuda 10.1。

# 将代码片段复制粘贴到终端
git clone --recurse-submodules https://github.com/ThibaultGROUEIX/AtlasNet.git
cd AtlasNet 

#依赖项
conda create -n atlasnet python=3.6 --yes
conda activate atlasnet
conda install pytorch==1.7.1 torchvision==0.8.2 cudatoolkit=10.1 -c pytorch --yes
pip install --user --requirement  requirements.txt # pip依赖项

可选：编译 Chamfer（MIT）+ Metro 距离（GPL3 许可证）

# 将代码片段复制粘贴到终端
python auxiliary/ChamferDistancePytorch/chamfer3D/setup.py install #MIT
cd auxiliary
git clone https://github.com/ThibaultGROUEIX/metro_sources.git
cd metro_sources; python setup.py --build # 构建 metro 距离 #GPL3
cd ../..

关于数据的说明。

数据下载应自动完成。然而，由于 Google Drive 的流量限制，您可能需要手动下载。如果在运行演示时遇到错误，可以参考 #61。

您可以从三个来源手动下载数据（内容相同）：

• Google Drive：https://drive.google.com/drive/folders/1If_-t0Aw9Zps-gj5ttgaMSTqRwYms9Ag?usp=sharing
• Kaggle：https://www.kaggle.com/thibeix/atlasnet-data
• NextCloud：https://cloud.enpc.fr/s/z9TxRcxGgeYGDJ4

请确保将压缩包解压到正确的位置：

cd AtlasNet
mkdir data
unzip ShapeNetV1PointCloud.zip -d ./data/
unzip ShapeNetV1Renderings.zip -d ./data/
unzip metro_files.zip -d ./data/
unzip trained_models.zip -d ./training/

使用方法

• 演示： python train.py --demo
• 训练： python train.py --shapenet13 监控地址：http://localhost:8890/
• 最新重构 12-2019

  - [x] 将单视图重建和自编码器合并到同一类中
  - [x] 将正方形和球形模板合并到同一类中
  - [x] 在第一层后添加潜在向量作为偏置（速度提升 30%）
  - [x] 移除解码器中的最后一个 th
  - [x] 创建包含所有点云的大 .pth 张量缓存（移除繁琐的 Chunk_reader）
  - [x] 实现多 GPU 支持
  - [x] 添加 netvision 结果可视化功能
  - [x] 重写主脚本为面向对象形式
  - [x] 确保在最新版 PyTorch 中一切正常工作
  - [x] 默认增加层数，并添加层数和隐藏神经元数量的标志位
  - [x] 添加直接生成网格的标志位
  - [x] 添加 Python 安装脚本
  - [x] 确保 GPU 被 100% 利用
  - [x] 在 Chamfer 中加入 F-score 并报告 F-score
  - [x] 放弃 shapenet_v2 数据，改用 v1！
  - [x] 解决路径问题，不再使用 sys.path.append
  - [x] 预处理 shapenet 55 并将其加入数据加载器
  - [x] 减少最小依赖项
  

定量结果

方法	Chamfer (*1)	Fscore (*2)	Metro (*3)	总训练时间（分钟）
自编码器 25 正方形	1.35	82.3%	6.82	731
自编码器 1 球形	1.35	83.3%	6.94	548
单视图 25 正方形	3.78	63.1%	8.94	1422
单视图 1 球形	3.76	64.4%	9.01	1297

• (*1) ×1000。计算基于 2500 个真实点和 2500 个重建点。
• (*2) 阈值为 0.001
• (*3) ×100。Metro 是在未归一化的点云上运行的（这解释了与论文数值的差异）。

相关项目

• 学习基本结构
• 3D-CODED
• 循环一致变形

引用本工作

@inproceedings{groueix2018,
          title={{AtlasNet: A Papier-M\^ach\'e Approach to Learning 3D Surface Generation}},
          author={Groueix, Thibault and Fisher, Matthew and Kim, Vladimir G. and Russell, Bryan and Aubry, Mathieu},
          booktitle={Proceedings IEEE Conf. on Computer Vision and Pattern Recognition (CVPR)},
          year={2018}
        }

AtlasNet 快速上手指南

AtlasNet 是一个基于“折纸”理念学习 3D 表面生成的深度学习框架，发表于 CVPR 2018。它通过将多个参数化曲面（如正方形或球面）变形来拟合目标 3D 形状。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Linux (推荐)
• Python: 3.6
• CUDA: 10.1
• PyTorch: 1.7.1
• 其他依赖: Pymesh, Git, Conda

注意：本项目对版本要求较为严格，建议严格按照下述步骤创建独立的 Conda 环境以避免冲突。

安装步骤

1. 克隆代码库

使用 --recurse-submodules 参数以确保拉取所有必要的子模块。

git clone --recurse-submodules https://github.com/ThibaultGROUEIX/AtlasNet.git
cd AtlasNet 

2. 创建并激活 Conda 环境

conda create -n atlasnet python=3.6 --yes
conda activate atlasnet

3. 安装核心依赖

安装指定版本的 PyTorch、TorchVision 和 CUDA 工具包。

conda install pytorch==1.7.1 torchvision==0.8.2 cudatoolkit=10.1 -c pytorch --yes
pip install --user --requirement  requirements.txt

4. (可选) 编译距离计算模块

如果需要计算 Chamfer Distance 或 Metro Distance，需编译对应的 C++/CUDA 扩展。

# 编译 Chamfer Distance (MIT 协议)
python auxiliary/ChamferDistancePytorch/chamfer3D/setup.py install

# 编译 Metro Distance (GPL3 协议)
cd auxiliary
git clone https://github.com/ThibaultGROUEIX/metro_sources.git
cd metro_sources; python setup.py --build
cd ../..

5. 数据与模型准备

数据通常会自动下载，但受限于网络环境，建议手动下载并解压。

下载地址（任选其一）：

• Google Drive: 链接
• Kaggle: 链接
• NextCloud: 链接

解压文件到指定目录：

cd AtlasNet
mkdir data
unzip ShapeNetV1PointCloud.zip -d ./data/
unzip ShapeNetV1Renderings.zip -d ./data/
unzip metro_files.zip -d ./data/
unzip trained_models.zip -d ./training/

基本使用

安装完成后，您可以运行以下命令进行快速测试或训练。

运行演示 (Demo)

运行预训练模型进行单视图重建或自编码演示：

python train.py --demo

开始训练

使用 ShapeNet 13 类数据集开始训练模型。训练过程中可通过浏览器监控进度。

python train.py --shapenet13

• 监控地址: 打开浏览器访问 http://localhost:8890/ 查看实时可视化结果。

生成网格模型

在训练或测试脚本中，可以通过添加标志位直接生成网格文件（具体参数请参考 doc/training.md 或脚本帮助信息）。