Shape As Points数据集完整清单：Thingi10K、FAUST、ShapeNet下载与预处理分步教程

Shape As Points数据集完整清单Thingi10K、FAUST、ShapeNet下载与预处理分步教程【免费下载链接】shape_as_points[NeurIPS21] Shape As Points: A Differentiable Poisson Solver项目地址: https://gitcode.com/gh_mirrors/sh/shape_as_pointsShape As Points 是一个面向 3D 表面重建的可微 Poisson 求解项目核心关键词是Shape As Points 数据集、Thingi10K 下载、FAUST 数据处理、ShapeNet 预处理。本文面向新手按“优化重建”和“学习重建”两类任务整理可直接执行的下载脚本、数据目录、配置文件和预处理流程帮助你快速准备好所需 3D 数据集。一、项目数据分为哪两类Shape As Points 的数据需求分成两条主线任务类型主要数据集数据规模下载脚本适用场景优化式重建Thingi10K、SRB、Dynamic FAUST约 200 MBscripts/download_optim_data.sh从点云直接优化出高质量网格学习型重建ShapeNet约 220 GBscripts/download_shapenet.sh训练含噪声、离群点处理网络快速 Demo演示点云较小scripts/download_demo_data.sh先跑通流程再准备正式数据集建议第一次使用时先下载 Demo 数据跑通命令再根据研究方向选择 Thingi10K / FAUST 或 ShapeNet。二、基础环境安装先准备 Python 环境项目依赖 PyTorch、Open3D、trimesh 等库。推荐先用 Conda 创建独立环境。conda env create -f environment.yaml conda activate sap之后还需要额外安装 PyTorch3D 和 PyTorch Scatter。新手可以理解为environment.yaml负责安装基础依赖。PyTorch3D 负责 3D 几何计算。PyTorch Scatter 负责点云聚合和采样操作。三、Thingi10K / FAUST / DGP优化式重建数据集下载如果你做的是优化式 3D 表面重建优先关注Thingi10K、Dynamic FAUST和SRB数据集。官方仓库提供了约 200 MB 的已处理数据执行bash scripts/download_optim_data.sh该脚本会把数据下载到项目根目录的data/文件夹中解压后通常包含data/thingi/Thingi10K 相关点云数据格式为.ply。data/dfaust/Dynamic FAUST 点云数据格式为.ply。data/deep_geometric_prior_data/DGP / SRB 相关点云数据。对应的配置文件位于configs/optim_based/常见路径如下configs/optim_based/thingi.yaml用于 Thingi10K 数据实验。configs/optim_based/dfaust.yaml用于 FAUST 数据实验。configs/optim_based/dgp.yaml用于 DGP / SRB 数据实验。configs/optim_based/thingi_noisy.yaml用于带噪声点云实验。运行示例python optim_hierarchy.py configs/optim_based/thingi.yaml python optim_hierarchy.py configs/optim_based/dfaust.yaml python optim_hierarchy.py configs/optim_based/dgp.yamloptim_hierarchy.py会从 32³ 网格逐步细化到 64³、128³、256³适合观察不同分辨率下的重建质量。如果只想测试单一分辨率可以使用python optim.py configs/optim_based/thingi.yaml四、ShapeNet 数据集下载学习型重建主数据集ShapeNet 主要用于学习型重建任务适合训练从噪声点云或离群点云中恢复形状的神经网络。官方预处理后的 ShapeNet 数据约 220 GB执行bash scripts/download_shapenet.sh下载完成后数据会位于data/shapenet_psr/这个目录中的每个物体通常包含pointcloud.npz点云坐标与法线。psr.npz用于训练的 Poisson Surface Reconstruction 字段数据。五、ShapeNet 预处理脚本process_shapenet.py 分步说明如果你已经有 Occupancy Networks 格式的 ShapeNet 数据可以自己执行预处理。核心脚本是scripts/process_shapenet.py主要处理逻辑如下读取data/ShapeNet/下的类别与train/val/test分割列表。对每个模型加载pointcloud.npz。将点云坐标归一化到约[0, 1)区间。生成训练用的pointcloud.npz。生成 128³ 分辨率下的psr.npz。支持多进程处理默认并行数为 8。脚本中几个关键参数值得注意参数含义新手建议data_path原始 ShapeNet 数据路径改成你实际存放 ShapeNet 的目录base输出根目录一般保持datadataset_name处理后数据目录名建议保持shapenet_psrresolutionPoisson 网格分辨率默认 128显存不足可降低njobs多进程数量建议设为 CPU 核心数的一半左右修改路径后可以执行python scripts/process_shapenet.py六、数据目录与配置文件对照表为避免下载后找不到入口可以参考下表数据类型数据路径常用配置入口脚本Demo 快速演示data/demo/configs/learning_based/demo_large_noise.yamlgenerate.pyThingi10Kdata/thingi/*.plyconfigs/optim_based/thingi.yamloptim_hierarchy.pyDynamic FAUSTdata/dfaust/*.plyconfigs/optim_based/dfaust.yamloptim_hierarchy.pyDGP / SRBdata/deep_geometric_prior_data/*.plyconfigs/optim_based/dgp.yamloptim_hierarchy.pyShapeNet 训练集data/shapenet_psr/configs/learning_based/下对应配置train.py、generate.py七、新手推荐执行顺序按下面顺序执行可以少走弯路创建环境并安装依赖。下载 Demo 数据验证generate.py能正常运行。如果做优化式重建下载download_optim_data.sh对应的 200 MB 数据。如果做学习型重建再下载 ShapeNet 的 220 GB 数据。如果磁盘空间不足可先用 Demo 配置理解输入输出格式再决定是否本地完整预处理 ShapeNet。八、常见问题速查问题建议处理方式下载太慢ShapeNet 约 220 GB建议使用稳定宽带或镜像环境找不到data/shapenet_psr确认scripts/download_shapenet.sh是否解压成功优化式数据缺少.ply文件重新运行scripts/download_optim_data.sh并检查data/目录训练时报字段缺失检查data/shapenet_psr下是否同时有pointcloud.npz和psr.npz只想快速验证使用 Demo 配置不要一开始就下载完整 ShapeNet显存不足调低resolution或grid_res等分辨率相关参数九、总结Shape As Points 的数据准备路径非常清晰优化式重建使用Thingi10K、Dynamic FAUST、DGP / SRB学习型重建使用ShapeNet。新手只要先跑通 Demo再根据研究目标选择下载 200 MB 优化数据或 220 GB ShapeNet 数据就能完成大部分实验准备。本文整理的数据清单、下载脚本和预处理流程可以帮助你更快定位data/、configs/optim_based/、configs/learning_based/与scripts/process_shapenet.py之间的关系减少 3D 数据集准备过程中的路径和格式问题。【免费下载链接】shape_as_points[NeurIPS21] Shape As Points: A Differentiable Poisson Solver项目地址: https://gitcode.com/gh_mirrors/sh/shape_as_points创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考