PQ-NET 开源项目使用教程

1. 项目介绍

PQ-NET 是一个用于生成 3D 形状的深度神经网络，通过序列化的部分组装来表示和生成 3D 形状。该项目在 CVPR 2020 上发表，并提供了 PyTorch 实现。PQ-NET 的核心组件是一个序列到序列（Seq2Seq）自动编码器，它将 3D 形状的各个部分编码为固定大小的潜在向量，并通过解码器逐步重建 3D 形状。该网络可以应用于形状自动编码、插值、新形状生成和单视图 3D 重建等任务。

2. 项目快速启动

2.1 环境准备

确保你的环境满足以下要求：

• Linux 操作系统
• NVIDIA GPU + CUDA CuDNN
• Python 3.6

安装依赖包：

pip install -r requirements.txt

2.2 数据准备

下载并解压数据集：

cd data
tar -xvf Lamp.tar.gz

采样点云数据：

python data/sample_points_from_voxel.py --src data --category Lamp

2.3 模型训练

训练部分自动编码器：

sh scripts/lamp/train_lamp_partae_multiscale.sh

训练 Seq2Seq 模型：

sh scripts/lamp/train_lamp_seq2seq.sh

训练潜在 GAN：

sh scripts/lamp/train_lamp_lgan.sh

2.4 模型测试

形状自动编码：

sh scripts/lamp/rec_lamp_seq2seq.sh

形状生成：

sh scripts/lamp/test_lamp_lgan.sh
sh scripts/lamp/dec_lamp_seq2seq.sh

3. 应用案例和最佳实践

3.1 形状自动编码

PQ-NET 可以用于将 3D 形状编码为潜在向量，并通过解码器重建原始形状。这在形状压缩和传输中非常有用。

3.2 新形状生成

通过训练潜在 GAN，PQ-NET 可以生成新的 3D 形状，这些形状由有意义的部件组成，适用于 3D 设计和新产品开发。

3.3 单视图 3D 重建

PQ-NET 还可以用于从单个 2D 视图生成 3D 形状，这在计算机视觉和增强现实中具有广泛的应用。

4. 典型生态项目

4.1 Occupancy Networks

Occupancy Networks 是一个用于 3D 形状表示和生成的项目，与 PQ-NET 类似，它也使用了深度学习技术来处理 3D 数据。

4.2 PartNet

PartNet 是一个大规模的 3D 形状数据集，提供了详细的部件级分割，非常适合用于训练和评估 PQ-NET 这样的部件级生成模型。

4.3 PyTorch

PyTorch 是 PQ-NET 的实现框架，提供了强大的深度学习工具和库，支持高效的模型训练和推理。

通过以上步骤，你可以快速上手并使用 PQ-NET 进行 3D 形状生成和相关任务。