简介：一份聚焦三维网格去噪级联回归复现的PyTorch技术文档，面向计算机图形学研究者、三维建模与网格编辑从业者，以及希望把机器学习方法用于几何处理的学习者。内容围绕论文《Mesh Denoising via Cascaded Normal Regression》展开，给出环境配置、滤波面法线描述符FND计算、基于聚类的级联回归模型训练，以及运行时去噪的完整可运行代码与解释，并涉及数据预处理、模型性能评价、σ值与超参选择、GPU加速等实践细节。压缩包共1个docx文件，约33KB，体量轻便，便于快速查阅与二次修改。已有58人学习，适合作为论文复现与工程落地的参考。读者可据此理解从特征构造到级联回归训练、再到实际网格去噪的流程，掌握将PyTorch用于三维几何数据预处理与模型训练的思路，并据此排查参数设置和样本质量对去噪表现的影响。
1. 三维网格去噪的级联回归方法，为什么值得用 PyTorch 重写一遍
三维网格去噪这件事，过去十年大致分成两条线：一条是纯几何的迭代滤波，另一条是近几年的学习式回归。纯几何方法里，双边法线滤波、引导法线滤波、L0 稀疏优化都能把噪声压下去，但迭代次数和参数几乎靠手工调，换个扫描件就得重来。级联回归把这段迭代过程参数化了：用若干个网络级，每一级只预测一小步顶点位移，把“去噪”拆成“多步微调”。这里会围绕这个结构展开，从法线与切空间的铺垫，到 PyTorch 里搭出四阶级联网络、构造 kNN 局部 patch 特征、设计监督与无监督两套损失，再到带噪网格上的训练、评估与排错，一步步给可运行代码。适合已经会写基础 PyTorch 训练循环、又想动手复现这类论文的读者；只想调包跑一遍的人看完也能照着走。
2. 级联回归去噪的几何原理与 PyTorch 环境搭建
动手写网络之前要先把几何侧的账算清楚：级联回归到底在回归什么，每一步的输入输出是什么量纲。这一章从传统法线滤波讲起，说清单级回归为什么会过平滑，再把 PyTorch 环境搭起来，最后约定顶点、面、法线这套张量的组织方式，后面所有代码都建立在这个约定上。
2.1 从法线滤波到级联回归：单级回归为什么会过平滑
传统网格去噪的经典套路是“先滤波法线，再重建顶点”。面法线由面的三个顶点叉积得到，滤波时把每个面法线和它邻域面法线做加权平均，权重通常取空间距离和法线夹角的高斯核。法线滤完后，再解一个最小二乘问题让顶点位置与滤波后的法线一致。这个流程本身就是迭代的：外循环跑 T 次，每次先滤法线再动顶点，T 越大越平滑。
把它换成学习式回归，最直接的做法是训一个网络，输入含噪网格的局部 patch，直接输出顶点位移。问题在于单次预测的位移幅度很大，网络在没有强先验时会倾向于把高频细节当成噪声一起抹掉，棱角和特征线最先遭殃。级联回归的动机就是把这个大步长拆成小步：每一级的输入是上一级修正后的网格，输出一个残差位移，级数越多、单步越小，细节越不容易被一次抹平。残差结构还让每一级复用同一套特征，参数少、好训，这点在搭网络时会体现得很明显。
2.2 用 anaconda 配置 pytorch 环境与 cuda12.0 对应的 pytorch 版本选择
环境这一步看着琐碎，踩坑的人却最多。我一般用 conda 建独立环境，把 Python 版本压在 3.10，兼容性最省心。
conda create -n meshdenoise python=3.10 -y conda activate meshdenoise # 有 N 卡且 CUDA 版本是 12.0 时，装 cu121 官方轮子 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 # 只有 CPU 的机器，直接装 CPU 版本 # pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu python -c "import torch; print(torch.__version__, torch.cuda.is_available())"这段命令的逻辑是：conda 负责 Python 与科学计算依赖隔离，pip 装 torch 时用官方 index-url 指定 CUDA 版本。cuda12.0 对应的 pytorch 版本常见搭配是 cu121，装完在 Python 里打印torch.cuda.is_available()，返回 True 就说明驱动和轮子对上了。如果报动态链接库初始化失败，多半是环境里混进了系统级路径，先确认echo $LD_LIBRARY_PATH（Linux）或干脆重建一个干净环境。CPU 机器就别硬装 CUDA 轮子，光下载就要等很久，还容易和系统库冲突。
2.3 顶点、面、法线的张量组织：pytorch 张量基础在这里的落点
网格在 PyTorch 里就是两个张量：顶点V形状[N, 3]、dtype float32，面F形状[M, 3]、dtype int64，每一行是三个顶点索引。法线不预先存，用的时候从顶点现算，因为级联的每一级顶点都会变，法线必须跟着更新。
import torch def face_normals(V, F): # V: [N,3], F: [M,3] -> [M,3] 单位面法线 v0, v1, v2 = V[F[:, 0]], V[F[:, 1]], V[F[:, 2]] n = torch.cross(v1 - v0, v2 - v0, dim=1) return n / (n.norm(dim=1, keepdim=True) + 1e-12) def vertex_normals(V, F): # 按面积加权把面法线累加到顶点上，再归一化 fn = face_normals(V, F) vn = torch.zeros_like(V) for i in range(3): vn.index_add_(0, F[:, i], fn) return vn / (vn.norm(dim=1, keepdim=True) + 1e-12) V = torch.randn(1000, 3) F = torch.randint(0, 1000, (2000, 3)) N = vertex_normals(V, F) print(V.shape, F.shape, N.shape) # [1000,3] [2000,3] [1000,3]张量形状对齐是这套实现的第一原则：V永远[N,3]，F永远[M,3]，N永远[N,3]。index_add_按面的三个顶点索引把面法线累加回顶点，再归一化，得到面积加权的顶点法线。用keepdim=True是为了让归一化时广播维度正确，漏掉它会把张量压成[N]，除出来全是 NaN。这个函数在每一级都会调用一次。
3. 级联回归网络的 PyTorch 实现：从局部 patch 特征到顶点位移
这一章是核心。级联回归网络可以拆成三块：给每个顶点找 kNN 邻域、把邻域几何编码成特征、用若干级 MLP 逐级预测残差位移。三块代码保持解耦，换数据集时只动第一块。
3.1 局部 patch 特征构造：kNN 邻域与法线差分
每个顶点的局部几何用一个 k 邻域描述，邻域内含自身法线、邻居相对坐标、邻居法线三类信息。
def knn_indices(V, k): # V: [N,3] -> [N,k] 每个顶点的 k 近邻索引（去掉自身） d = torch.cdist(V, V) # [N,N] _, idx = d.topk(k + 1, largest=False, dim=1) return idx[:, 1:] def build_features(V, N, idx): # V:[N,3] N:[N,3] idx:[N,k] -> [N,k,9] rel = V[idx] - V.unsqueeze(1) # 邻域相对坐标 nbr_n = N[idx] # 邻域法线 self_n = N.unsqueeze(1).expand(-1, idx.shape[1], -1) return torch.cat([self_n, rel, nbr_n], dim=-1)| 特征分量 | 维度 | 作用 |
|---|---|---|
| 自身顶点法线 | 3 | 提供当前点的朝向先验 |
| 邻域相对坐标 | 3 | 描述局部形状，平移不变 |
| 邻域顶点法线 | 3 | 捕捉局部曲率与特征线走向 |
| 合计 | 9 | 每级管道统一输入 |
9 维 = 自身法线 3 + 相对坐标 3 + 邻域法线 3。不直接拼绝对坐标，是因为绝对坐标对平移敏感，相对量和法线都是刚体变换不变量，网络学起来更稳，泛化到不同位置的网格也更省数据。
3.2 级联模块的实现：每一级只学残差的代码
级联的关键在于“每一级输出残差、累加进当前顶点”，而不是一次预测最终坐标。
import torch.nn as nn class CascadeStage(nn.Module): def __init__(self, in_dim=9, hidden=64): super().__init__() self.net = nn.Sequential( nn.Linear(in_dim, hidden), nn.ReLU(inplace=True), nn.Linear(hidden, hidden), nn.ReLU(inplace=True), nn.Linear(hidden, 3) ) def forward(self, feat): # feat: [N,k,9] -> [N,k,3] 每个邻居一个位移提议 return self.net(feat) class CascadeDenoiser(nn.Module): def __init__(self, stages=4, k=16, hidden=64, damp=0.5): super().__init__() self.k, self.damp = k, damp self.stages = nn.ModuleList( [CascadeStage(9, hidden) for _ in range(stages)] ) def forward(self, V, N, idx): cur = V for stage in self.stages: feat = build_features(cur, N, idx) # [N,k,9] d = stage(feat).mean(dim=1) # 邻域平均 -> [N,3] cur = cur + self.damp * d # 残差累加 return cur参数含义与调法：stages是级数，噪声越大可以加到 5 到 6 级，但每加一级都要重新训；k是邻域大小，网格分辨率高时取 12 到 20，太大会把不同结构的区域混进同一个 patch；hidden是 MLP 隐藏宽度，64 在万级顶点上够用；damp是阻尼系数，取 0.5 让单步别走太远，太大会在特征线两侧来回震荡。邻域聚合用mean而非max，是因为位移是连续量，均值比池化更平滑、更容易收敛。
3.3 训练循环与损失函数：有监督与无监督两条路线
有干净网格时用顶点 L2 监督，没有时用法线一致性和拉普拉斯正则兜底。
def supervised_loss(V_out, V_gt): return (V_out - V_gt).pow(2).mean() def laplacian_reg(V, idx): # 惩罚邻域顶点差，抑制孤立毛刺 return (V.unsqueeze(1) - V[idx]).pow(2).mean() def train_step(model, opt, V_noisy, V_gt, N, idx): opt.zero_grad() V_out = model(V_noisy, N, idx) loss = supervised_loss(V_out, V_gt) + 1e-2 * laplacian_reg(V_out, idx) loss.backward() opt.step() return loss.item()supervised_loss直接对齐顶点坐标，量纲是坐标平方，量级小所以要配合学习率一起看；laplacian_reg的系数我一般取 1e-2，太大网格会整体收缩，太小对离群顶点没约束。无监督路线把supervised_loss换成面法线夹角余弦损失即可：先对输出网格重算面法线，和含噪网格滤波后的目标法线求1 - cos的均值。两条路线共享同一个train_step骨架，换损失函数不换循环。
4. 带噪网格上跑通复现：数据、训练、评估全流程
原理和网络都有了，这一章把 pytorch 实战的完整链路走一遍：造带噪样本、写训练脚本、读日志、评估指标、排错。跑通之后再换自己的扫描件，改动量很小。
4.1 合成噪声与训练样本准备
先用球或兔子这类已知解析形状造对，合成噪声强度可调。
def make_sample(V_clean, F, k=16, sigma=0.02): V_noisy = V_clean + torch.randn_like(V_clean) * sigma idx = knn_indices(V_noisy, k) # 邻域在含噪顶点上算 N = vertex_normals(V_noisy, F) return V_noisy, V_clean, N, idx这里有个容易被忽略的细节：邻域索引必须在含噪顶点上算，因为推理时手上只有含噪网格，训练时应保持一致。sigma是噪声强度，单位是网格平均边长的一个比例，取 0.02 到 0.05 属于中等噪声，超过 0.1 就接近强噪声，级数要相应加。真实扫描件没有干净对时，把sigma = 0的输入当伪目标，用无监督损失训。
4.2 训练命令与关键超参数表
脚本入口统一收参数，方便复现。
python train.py \ --data data/sphere.npz \ --stages 4 --k 16 --hidden 64 \ --lr 1e-4 --damp 0.5 --epochs 200 --sigma 0.02| 参数 | 建议值 | 作用与调整方向 |
|---|---|---|
| stages | 4 | 级数，噪声大加到 5~6，收敛变慢 |
| k | 16 | 邻域顶点数，高分辨率可加到 20 |
| hidden | 64 | 隐藏宽度，数据少别超过 128 |
| lr | 1e-4 | 残差累加对小学习率更敏感，别超过 1e-3 |
| damp | 0.5 | 单步阻尼，震荡时降到 0.3 |
| epochs | 200 | 样本少时 100 轮就够，看验证 RMSE 停 |
学习率是这套结构里最容易出事的一个：级联把多级残差相加，梯度会在级间累乘，lr 取 1e-3 时经常在第 20 轮左右发散成 NaN，先用 1e-4 跑通，再往上试。
4.3 评估指标与失败模式排查
顶点 RMSE 看整体，法线夹角看特征保持。
def eval_metrics(V_out, V_gt, F): rmse = (V_out - V_gt).pow(2).mean().sqrt().item() n_out, n_gt = face_normals(V_out, F), face_normals(V_gt, F) cos = (n_out * n_gt).sum(1).clamp(-1, 1) angle = torch.acos(cos).mean().item() * 180 / 3.1415926 return rmse, angle| 失败模式 | 现象 | 排查方向 |
|---|---|---|
| 全网格收缩 | RMSE 降但体积明显变小 | 拉普拉斯系数太大，降到 1e-3 |
| 顶点抖动 | 输出出现周期性波纹 | damp 偏大或 lr 偏大，先降 damp |
| 细节丢失 | 棱角被磨圆、法线夹角不降 | 级数 4 偏多，减到 2~3 级重训 |
| 训练发散 | loss 变 NaN | lr 降到 1e-5，检查是否混入 NaN 顶点 |
| 指标好但难看 | RMSE 低，视觉仍糙 | 邻域 k 偏小，特征看不到曲率 |
顶点 RMSE 反映平均偏差，法线夹角反映形状细节，两个一起看才不被单一指标骗。正常去噪后法线夹角应降到 5 度以内，只在 RMSE 上打转、夹角纹丝不动，基本是特征构造那一步选错了量。
5. 冻结部分级、混合精度与入模技巧：让级联回归复现更稳
级联结构有个别的方法没有的好处：级是有顺序的，前面几级负责粗去噪，后面几级负责补细节，这给冻结和迁移留了操作空间。pytorch 冻结部分模型在这里不是可选项而是常用手段，尤其是在数据只有几百个样本的小复现里。
先讲冻结。把数据量小、噪声分布接近的那批级固定住，只训后面一两级，既省显存又能防止过拟合。做法很直接：
# 冻结前两级，只精调后两级 for t in range(2): for p in model.stages[t].parameters(): p.requires_grad = False # 记得优化器只收需要梯度的参数 opt = torch.optim.Adam( filter(lambda p: p.requires_grad, model.parameters()), lr=1e-5 )这里有个细节：冻结之后必须重建优化器，或者至少只把requires_grad=True的参数传进去，否则 Adam 的动量状态里还留着被冻结参数的旧值，精调时会偷偷把它们拽回来。这套做法适合“在大网格上预训、到小网格上迁移”的场景，前两级学到的是低阶去噪算子，跨分辨率比后两级更通用。
再讲混合精度。级联的每一级都要重算法线和邻域特征，前向开销不小，用 AMP 能压掉一部分显存：
scaler = torch.cuda.amp.GradScaler() with torch.cuda.amp.autocast(): V_out = model(V_noisy, N, idx) loss = supervised_loss(V_out, V_gt) + 1e-2 * laplacian_reg(V_out, idx) scaler.scale(loss).backward() scaler.step(opt) scaler.update()AMP 把大部分算子压到 fp16，但法线归一化和cdist这类对数值范围敏感的算子会被 autocast 自动退回 fp32，不用手动干预。真正要盯的是 loss 缩放：如果连续几百步scaler.get_scale()一直往下降，说明梯度频繁溢出，把damp降一点往往比调精度更有效。最后是推理侧的技巧，验证时务必套torch.no_grad()，级联的前向会保留中间图，不关梯度显存会随级数线性涨；级数选 4 是多数中等噪声下的均衡点，噪声方差再大也别盲目加到 8 级以上，残差累加太多会让网格出现细微抖动，反而不如把 damp 调小、级数压在 5。
本文还有配套的精品资源，点击获取
