MeshCNN 在 PyTorch 中的实现

SIGGRAPH 2019 [论文] [项目页面]

MeshCNN 是一种用于三维三角网格的通用深度神经网络，可用于三维形状分类或分割等任务。该框架包含卷积、池化和反池化层，这些层直接作用于网格的边。

代码由 Rana Hanocka 和 Amir Hertz 编写，并得到了 Noa Fish 的支持。

快速入门

安装

• 克隆本仓库：

git clone https://github.com/ranahanocka/MeshCNN.git
cd MeshCNN

• 安装依赖：PyTorch 1.2 版本。 可选 ：使用 tensorboardX 进行训练过程的可视化。
  • 通过新的 conda 环境安装：conda env create -f environment.yml（创建名为 meshcnn 的环境）

SHREC 数据集上的三维形状分类

下载数据集：

bash ./scripts/shrec/get_data.sh

运行训练（如果使用 conda 环境，请先激活环境，例如 source activate meshcnn）：

bash ./scripts/shrec/train.sh

要在另一个终端中查看训练损失曲线，运行 tensorboard --logdir runs，然后访问 http://localhost:6006。

运行测试并导出中间池化后的网格：

bash ./scripts/shrec/test.sh

可视化网络学习到的边折叠结果：

bash ./scripts/shrec/view.sh

一个网格的折叠示例：

注意，您也可以通过运行 ./scripts/shrec/get_pretrained.sh 获取预训练权重。

要使用预训练权重，请运行 train.sh，它会计算并保存训练数据的均值和标准差。

人类数据集上的三维形状分割

与上述步骤相同，用于下载数据集、运行训练、获取预训练权重、运行测试和查看结果：

bash ./scripts/human_seg/get_data.sh
bash ./scripts/human_seg/train.sh
bash ./scripts/human_seg/get_pretrained.sh
bash ./scripts/human_seg/test.sh
bash ./scripts/human_seg/view.sh

一些分割结果示例：

其他数据集

类似的脚本也适用于 COSEG 分割任务（位于 scripts/coseg_seg）以及立方体分类任务（位于 scripts/cubes）。

更多信息

请访问 MeshCNN 维基，了解更多详情。特别是关于 分割 和 数据处理 的信息。

其他实现

• Point2Mesh TensorFlow 重实现，其中也包含了 MeshCNN。
• MedMeshCNN，可处理具有 17 万条边的网格。

引用

如果您觉得此代码有用，请考虑引用我们的论文：

@article{hanocka2019meshcnn,
  title={MeshCNN: A Network with an Edge},
  author={Hanocka, Rana and Hertz, Amir and Fish, Noa and Giryes, Raja and Fleishman, Shachar and Cohen-Or, Daniel},
  journal={ACM Transactions on Graphics (TOG)},
  volume={38},
  number={4},
  pages = {90:1--90:12},
  year={2019},
  publisher={ACM}
}

问题与反馈

如果您在运行此代码时遇到任何问题或疑问，请提交 issue，以便我们及时修复。

致谢

本代码的设计参考了 pytorch-CycleGAN-and-pix2pix。

MeshCNN 快速上手指南

MeshCNN 是一个基于 PyTorch 的通用深度神经网络框架，专门用于处理 3D 三角网格数据，支持 3D 形状分类和分割任务。其核心特点是将卷积、池化和反池化操作直接应用于网格的边上。

环境准备

• 操作系统: Linux / macOS (Windows 需自行配置兼容环境)
• 核心依赖:
  • Python 3.x
  • PyTorch (推荐版本 1.2，高版本通常兼容但需测试)
  • Conda (推荐用于环境管理)
• 可选依赖:
  • tensorboardX: 用于可视化训练过程中的损失曲线

国内加速建议： 在安装 PyTorch 或下载数据集时，若遇到网络缓慢，建议配置清华源或中科大源。

• Conda 换源：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
• Pip 换源：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

1. 克隆项目代码

   git clone https://github.com/ranahanocka/MeshCNN.git
   cd MeshCNN
   

2. 创建并激活 Conda 环境 项目提供了 environment.yml 文件，可一键安装所有依赖（包括指定版本的 PyTorch）。

   conda env create -f environment.yml
   source activate meshcnn
   

   (注：如果不使用 Conda，请手动安装 PyTorch 1.2 及其他依赖)

3. 安装可视化工具（可选） 如果需要查看训练图表，请确保已安装 tensorboardX：

   pip install tensorboardX
   

基本使用

以下以 SHREC 数据集上的 3D 形状分类 为例，展示最简工作流程。

1. 下载数据集

运行脚本自动下载 SHREC 数据集：

bash ./scripts/shrec/get_data.sh

(如需下载人体分割数据集，将路径改为 ./scripts/human_seg/get_data.sh)

2. 训练模型

启动训练脚本。训练过程中会自动保存模型权重。

bash ./scripts/shrec/train.sh

查看训练监控： 在另一个终端窗口运行以下命令，并在浏览器访问 http://localhost:6006 查看损失曲线：

tensorboard --logdir runs

3. 测试与评估

使用训练好的模型进行测试，并导出中间池化后的网格数据：

bash ./scripts/shrec/test.sh

4. 可视化结果

查看网络学习到的边折叠（edge collapses）效果：

bash ./scripts/shrec/view.sh

---

使用预训练模型： 若不想从头训练，可先下载预训练权重：

bash ./scripts/shrec/get_pretrained.sh

注意：使用预训练权重前，仍需运行一次 train.sh 以计算并保存训练数据的均值和标准差统计信息，随后即可直接进行测试。

其他数据集： 对于 COSEG 分割或立方体分类任务，只需将上述命令中的脚本路径替换为 scripts/coseg_seg/ 或 scripts/cubes/ 即可。