TotalDenoising阅读笔记

文章：Total Denoising: Unsupervised Learning of 3D Point Cloud Cleaning

代码：https://github.com/phermosilla/TotalDenoising

1 环境配置：

1.1 系统环境

ubuntu18.04
python3.7
tensorflow1.13.1

1.2 终端下安装conda环境并下载相关依赖包

1.2.1 创建conda虚拟环境并激活

# 创建名为Py37TotalDenoising的虚拟环境
conda create -n Py37TotalDenoising python=3.7
# 激活
conda activate Py37TotalDenoising

1.2.2 安装tensorflow-gpu并指定版本

# 安装指定版本的tensorflow-gpu，下载速度慢的话可以选择镜像源
pip install tensorflow-gpu==1.13.1 -i https://pypi.mirrors.ustc.edu.cn/simple/ 

1.2.3 验证tenssortflow版本

# 进入python编程环境
python

# 执行脚本
import tensorflow as tf

# 查看tf版本
tf.__version__

# 查看gpu是否可用
# print(tf.test.is_gpu_available())  # ---- tf 1.x 版本测试
print(tf.config.list_physical_devices("GPU"))  # ---- tf 2.x 版本测试

# 查看tf相关库（包括头文件库和库文件）
tf.__path__

结果路径类似于：
/home/username/anaconda3/envs/Py37TotalDenoising/lib/python3.7/site-packages/tensorflow

至此，我们需要手动安装的环境就搞定了，接下来按照官方提供操作步骤来操作

2 编译算子

2.1 安装MCCNN库并编译

首先，将MCCNN文件存放在源码的根目录下（…/TotalDenoising/MCCNN），然后进入到MCCNN目录并编译算子

cd tf_ops
python genCompileScript.py --cudaFolder *path_to_cuda*
sh compile.sh
# 或者
./compile.sh

1.path_to_cuda修改为安装cuda的文件位置，一般为/usr/local/cuda；
2.此外如果g++的版本太高（一般大于4.8.0的话），则需要通过vi或者vim编辑（通过3.第二行命令生成的compile.sh）compile.sh并将-D_GLIBCXX_USE_CXX11_ABI=0 改成 -D_GLIBCXX_USE_CXX11_ABI=1即可，不然会报错：symbol not define…；
4.最后在当前目录下会生成一些.o（目标文件）和.so（共享库文件）文件

2.2 编译源码算子

然后，回到源码目录下（…/TotalDenoising），创建进入到tf_ops目录（…/TotalDenoising/tf_ops），在该目录下手动创建build文件夹

mkdir build

tf_ops目录下的文件

其次，编译算子执行compile.sh命令，再该执行命令之前，需要修改一些里面的内容

vim compile.sh

圈出来的地方：
1.如果报symbol not define…的错误还是要将-D_GLIBCXX_USE_CXX11_ABI=0 改成 -D_GLIBCXX_USE_CXX11_ABI=1
2.相关路径需要改成你的tensorflow的路径（tf.__path__的输出结果）

修改完后，在执行脚本

sh compile.sh
# 或者
./compile.sh

同样会生成.o和.so文件（在build文件夹下）

3 训练

准备工作已经做完了，现在可以开始训练了，训练之前需要先下载官网的数据集。由于数据集RueMadame的官网连接失效，只能选择提供的另一个数据集NoisyDataSets下载解压到…/TotalDenoising目录下，然后使用命令

# 官网提供的命令--dataset 3是用于RueMadame数据集的，没有3则默认为dataset0，即使用的NoisyDataSets/NoisyColoredGaussianDataSet下的数据集
python Train.py --dataset

开始训练：

训练完成后生成的log文件夹下的log.txt文件的训练过程
生成的模型位于log文件夹下

4 测试

测试数据是TestMeshes下的点.off格式的文件，需要先将其转为.vox体素格式的文件

# 运行生成体素文件的代码
python GenerateVoxelMeshes.py

TestMeshes下会生成.vox文件

然后，运行测试脚本命令

# 选择官网给的命令，也可以自行选择相关参数
python3 Test.py --gaussFilter --dataset 0 --saveModels

生成的测试结果数据位于dnTestModels文件夹下

参考链接：https://blog.csdn.net/Meet_csdn/article/details/119615049