企业官网建设流程全解析

简介：这是一份基于 Python 深度学习的三维点云去噪完整项目，曾以 97 分获导师认可，适合高校学生用于课程设计或期末大作业，也可作为初学者学习点云处理的实战范例。资源共四十一个文件，以三十六个 Python 脚本为主体，辅以三个配置文档、一个说明文件及忽略规则文件，整体仅 59KB，轻量易部署。目前已有 204 人学习下载。代码按功能划分清晰，涵盖数据加噪、去噪模型、离群点移除、整体流程与训练评估等模块，并配有环境配置说明，下载后无需修改即可运行。通过该项目可掌握三维点云去噪的完整实现链路，包括数据预处理、模型构建、训练评估与结果量化打分，对完成高分课设或快速上手深度学习点云任务有直接帮助，尤其适合需要提交完整代码与说明文档的课程验收场景。

1. 基于python深度学习的三维点云去噪源码：先想清楚这份作业要交出什么

拿到“基于python深度学习的三维点云去噪源码（高分期末大作业）.zip”这样的压缩包，先别急着解压双击运行。三维点云去噪这个题目真正考察的是四件事：你对噪声来源有没有建模、对深度学习模型有没有正确选型、能不能把训练和评估流程跑通、能不能把结论可视化到让老师一眼看懂。学期末交这门课的大作业，最怕的不是模型效果差，而是代码和报告对不上——网络结构写的是PointNet，代码里却在调open3d的统计滤波；指标写的是Chamfer距离，实验里却只给了loss曲线。这篇文章我会按一个能拿高分的落地路径来讲：从噪声建模、网络选型、训练参数，到评价指标可视化，以及期末季最容易踩的那几个坑。

2. 三维点云去噪为什么需要深度学习：先把噪声建模和网络选型的逻辑立住

2.1 点云噪声的三种来源与建模方式：高斯漂移、离群弹点与局部稀疏

做点云去噪，第一步不是写网络，而是把“噪声”这个词定义清楚。激光雷达或深度相机扫出来的原始点云，噪声主要来自三个方向：第一是传感器精度波动，每个点会围绕真实表面产生一个几毫米到几厘米的随机位移，在数学上通常建模为高斯噪声，也就是在xyz三个通道上叠加独立同分布的N(0, σ²)扰动；第二是镜面反射、遮挡边缘或空气中的尘雾造成的离群点，表现为一小撮点悬浮在真实物体表面之外，距离主表面可能超过物体半径的一半，前后两帧扫描里这些点还会随机跳位置；第三是设备丢点造成的局部稀疏，直观感受就是物体表面被啃掉了几块，这种问题靠“去噪”已经很难处理，一般归到补全方向。

期末大作业里最常见的组合是“高斯噪声+离群点”，原因很简单：这两种噪声人为可控，方便做成不同难度梯度，也方便计算去噪前后和真值之间的误差。我一般会把噪声强度分成三档：低档σ=0.005米、中档σ=0.01米、高档σ=0.03米，离群点比例从0%加到10%。之所以这么做，是因为评分老师最想看的是“你的方法在不同噪声强度下是如何退化的”，而不是只有一个孤零零的最好效果。

判断噪声类型有个很实用的诊断手段：算每个点到最近邻的距离，画直方图。纯高斯噪声下，这个直方图是单峰的，均值大于0但集中；混入离群点后，直方图会出现一条拖得很长的尾巴——这些尾巴就是离群点。做数据准备的阶段，先花十分钟做这个诊断，能明确告诉你模型需要学的是“细微扰动”还是“飞点”，这对后面调loss权重有直接影响。

2.2 为什么统计滤波能跑但拿不到高分：传统方法的三个边界

很多同学拿到题目第一反应是调open3d的统计滤波(Statistical Outlier Removal)，也确实能出效果。统计滤波的原理是：对每个点计算它到k个近邻的平均距离，所有点的平均距离构成一个分布，把距离大于“全局均值 + n倍标准差”的点判定为离群点删掉。英文文献里通常写成dist_mean + n * dist_std，open3d的接口remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)就是这两个参数。

这套方法对付第2.1节里的第二类噪声（离群点）很有效，但它的两个短板决定了它在大作业里只能当基线，不能当主方法。第一，它对高斯噪声几乎无能为力——因为高斯扰动让每个点都带上了小偏移，近邻距离分布依然很集中，没有任何点会被判为“异常”，滤波完点云只是变稀疏，离真值的平均距离没有明显下降。第二，滤波参数严重依赖物体形态和采样密度：同一个k值在密集的平面区域和稀疏的边缘区域表现完全不同，你调好一个模型的参数，换一个物体效果就崩，这种“手调几何假设”的做法和深度学习的自适应能力相比，差距很明显。

还有个容易忽略的边界：统计滤波对薄片状结构极不友好。比如一张桌面的边缘，点云只有一两个点厚，近邻平均距离天然偏大，std_ratio稍微设低一点就会把真实的边缘点当成噪声删掉，导致去噪后轮廓收缩。深度学习模型在训练阶段见过大量局部几何结构，能学会区分“边缘薄片上的点”和“飞在空中的点”，这是传统方法不具备的。

我在指导期末项目时，会明确要求学生做一组基线对比：原始带噪点云、统计滤波结果、深度模型结果，三个都算指标。这么做不是为了凑篇幅，而是让报告呈现“我知道传统方法哪里不够好，所以我选了深度学习”的完整逻辑链。只看最终效果图而不解释方法演进的报告，在答辩时很容易被一句“你为什么不直接用滤波”问住。

2.3 深度学习方法为什么落到PointNet骨架：无序集合与逐点分类的天然契合

三维点云和图像最大的区别在于：点云是无序集合，同一个物体把点的顺序打乱，表示的还是同一个几何。普通卷积核依赖规则网格，直接把CNN搬过来不现实；Transformer虽然能处理集合数据，但期末大作业的时间只够跑轻量级网络。PointNet正好卡在这个位置：它用共享权重的多层感知机对每个点做特征提取，再用最大池化把所有点的特征聚合为一个全局特征——最大池化天然具有置换不变性，输入点顺序无论怎么打乱，池化结果都一致。这个性质对点云去噪来说是决定性的，它保证网络不会在“第几个点”上学到任何伪规律。

去噪任务和分类任务在PointNet上的用法有一点关键差异。分类是在全局特征后面接分类头，而去噪需要输出“每个点该不该保留”，所以要把全局特征广播回每个点，和逐点特征拼起来，再接一个输出通道为1的卷积头，过sigmoid得到保留概率。这样网络同时看到了“我这一段局部几何长什么样”和“整个物体是什么结构”，信息量比纯粹逐点判断大得多。

为什么不直接选更强的PointNet++？PointNet++多了Set Abstraction和密度自适应层，对密度的鲁棒性确实更好，但模型体积和训练耗时都上去了。期末大作业考察的是完整链路而不是SOTA，用PointNet打底，遇到效果不够时再在这个骨架上加模块（自注意力、局部邻域聚合），是性价比最高的路线。另外，也可以考虑DGCNN这种动态图卷积，但它在构建k近邻图时比PointNet慢不少，数据量大了以后训练时间会很难看。做课程项目，永远记得一个原则：一切以“能在截止日前完整跑完”为优先。

3. 从零搭一个可复现的点云去噪训练流程：数据、网络、参数一把梭

3.1 生成带噪点云：open3d读入、加高斯噪声与离群点、存成ply

有监督去噪方案需要真值标签。期末大作业最常用的做法是：先用一个干净mesh采样出点云，或者从ShapeNet这类数据集里加载干净点云，再人工加噪声。这样每个输入点都知道自己的“干净坐标”，训练时让模型预测每个点是不是被污染，就完成了数据准备。

下面这段代码会读入一个ply文件，加高斯噪声和离群点，然后保存为新的ply。注意这句话：代码里“读入—加噪—保存”的过程要写成函数，方便后面做多组噪声强度的实验。

import numpy as np import open3d as o3d def load_points(path): """读取ply/xyz/obj, 统一返回 [N, 3] float64数组""" pcd = o3d.io.read_point_cloud(path) return np.asarray(pcd.points) def add_noise(points, sigma=0.02, outlier_ratio=0.05, seed=0): """给干净点云加高斯噪声和离群点, sigma单位与点云坐标一致""" rng = np.random.default_rng(seed) noisy = points + rng.normal(0, sigma, points.shape) n_out = int(len(points) * outlier_ratio) if n_out > 0: # 离群点沿"中心到点"方向外推, 模拟飞在表面之外的弹点 centroid = noisy.mean(axis=0) vec = noisy[rng.choice(len(noisy), n_out, replace=False)] - centroid norm = np.linalg.norm(vec, axis=1, keepdims=True) + 1e-8 radius = np.linalg.norm(noisy - centroid, axis=1).mean() # 外推2倍平均半径, 视觉上明显是离群点 outliers = centroid + (vec / norm) * (radius * 2.0) noisy = np.vstack([noisy, outliers]) # 打乱顺序, 避免模型在"点序号"上学到任何规律 idx = rng.permutation(len(noisy)) return noisy[idx] def save_points(path, points): """写ply, 注意转float32避免类型问题""" pcd = o3d.geometry.PointCloud() pcd.points = o3d.utility.Vector3dVector(points.astype(np.float32)) o3d.io.write_point_cloud(path, pcd)

这段代码的细节值得说几句。第一，噪声标准差sigma直接用米制单位，不要用归一化之后的无单位数——因为报告里需要写“高斯噪声σ=0.02m”这样让老师能直观理解的话。第二，离群点生成不用全空间随机撒点，而是沿“质心到点”的方向外推两倍平均半径，这样制造出来的离群点悬浮在表面外侧，符合真实传感器在边缘处测到飞点的物理直觉。第三，保存时统一转float32，open3d内部读写有时会产生float64，而PyTorch默认float32，后面训练时类型不匹配会报一堆莫名其妙的问题。

要点提示：seed参数一定要暴露出来。期末报告里写“实验结果可复现”不是空话，评测老师现场跑你的代码，用了不同seed可能会得到完全不同的指标。固定随机种子是对自己项目负责。

3.2 用PyTorch实现PointNet去噪核心网络：逐点保留概率输出

网络结构这部分只给核心类，不去贴PointNet的完整分类头配置——因为去噪任务只需要逐点二分类。

import torch import torch.nn as nn import torch.nn.functional as F class PointDenoiser(nn.Module): """ 输入: [B, N, 3] 带噪点云 输出: [B, N] 每个点的保留概率(0~1) """ def __init__(self, in_features=3, hidden=64): super().__init__() # 共享MLP: 逐点提取局部特征 self.mlp1 = nn.Sequential( nn.Conv1d(in_features, hidden, 1), nn.BatchNorm1d(hidden), nn.ReLU(), nn.Conv1d(hidden, hidden * 2, 1), nn.BatchNorm1d(hidden * 2), nn.ReLU(), ) self.mlp2 = nn.Sequential( nn.Conv1d(hidden * 2, hidden, 1), nn.BatchNorm1d(hidden), nn.ReLU(), ) # 拼接全局特征和原始坐标, 输出单通道概率 self.head = nn.Conv1d(hidden + hidden * 2 + in_features, 1, 1) def forward(self, x): # x: [B, 3, N], 注意输入需要先转置 feat = self.mlp1(x) # [B, 128, N] g, _ = feat.max(dim=2, keepdim=True) # [B, 128, 1] 全局特征 g = g.expand_as(feat) # 广播到每个点 feat2 = self.mlp2(feat) # [B, 64, N] cat = torch.cat([feat2, g, x], dim=1) # [B, 64+128+3, N] prob = torch.sigmoid(self.head(cat)) # [B, 1, N] return prob.squeeze(1) # [B, N]

代码逻辑拆开看：第一段MLP把每个点的3维坐标映射成128维特征，这里用的是Conv1d卷积核大小为1，本质上就是对每个点做一次独立的全连接，卷积只是为了兼容批量维度。然后feat.max(dim=2)在N这一维上取最大值，得到128维的全局特征向量，再expand回每个点。第二段MLP把128维局部特征压缩到64维，最后把“64维局部 + 128维全局 + 原始3维坐标”拼起来，过一个1x1卷积输出一个logit，sigmoid之后就是保留概率。

这个设计的核心思想是：模型的决策依据必须同时包含局部几何和全局形状。单看局部几何，一个点可能因为采样不均匀显得像噪声；但结合全局形状，网络就知道这个点其实落在桌面的连续曲面上。另外把原始xyz也拼进head层，是给网络保留了“直接看坐标判断”的短路路径，训练早期很好用。

参数改动建议：hidden=64适合N=8192以下的小点云；如果你的显存紧张或者点数特别大，可以降到32。in_features默认3维，如果后续把法线拼进输入，改成6维。

3.3 训练主循环与超参数搭配：loss加权是成败关键

训练代码本身不复杂，难点全在正负样本不均衡。一个典型的训练集里，离群点占比通常在5%~10%，高斯噪声点虽然每个都有偏移，但在二分类标签里它们还是“保留点”，真正要删的只有离群点。这意味着负样本（保留点）占了90%以上，如果直接算交叉熵，模型只要无脑输出1，loss就已经很低了。

def train_one_epoch(model, loader, opt, alpha=5.0, device="cuda"): model.train() total_loss = 0.0 for pts, label in loader: # pts: [B, N, 3] label: [B, N] 其中1=干净点, 0=噪声点 pts = pts.transpose(1, 2).to(device) # [B, 3, N] label = label.to(device) prob = model(pts) # [B, N] # 正负样本加权: 干净点权重alpha, 噪声点权重1 pos_w = label * alpha neg_w = (1 - label) * 1.0 loss = F.binary_cross_entropy( prob, label.float(), weight=pos_w + neg_w ) opt.zero_grad() loss.backward() opt.step() total_loss += loss.item() * pts.size(0) return total_loss / len(loader.dataset)

逻辑说明：weight参数按元素给每个点的loss乘系数。label为1（干净点）的点对应的权重是alpha，label为0（噪声点）的点权重是1。这样网络每把一个真实噪声点误判成干净点，承担的loss惩罚是反方向的5倍，模型就不得不认真处理那些少数类样本。alpha的取值有规律：噪声点占比越低，alpha要越高。我的经验是噪声点占5%时alpha设5~10，占1%时可能需要20甚至50。

超参数搭配我一般这样定：优化器Adam，初始学习率1e-3，batch size 16，epoch 50。学习率每20个epoch乘0.5，或者直接用torch.optim.lr_scheduler.CosineAnnealingLR。如果模型在30个epoch时loss已经不再下降，说明训练数据太简单，不要死磕epoch，先去检查是不是噪声强度设低了。

另外一个经常被忽略的参数是固定点数。训练时要把所有样本降采样到同一个N，否则DataLoader里没法组batch。我通常用8192点。点数太小（<2048）会让模型看不到足够完整的全局结构；点数太大（>32768）会明显拖慢训练，而且对期末作业来说没必要。

3.4 训练前的坐标归一化与去噪结果的导出

坐标归一化这个步骤一定要放在生成数据和训练之间，否则你会遇到loss降不下去或者训练极其不稳定的问题。真实扫描点云的尺度差异可以非常大：一个毫米级零件和一个十米级房间，坐标数值差了三个数量级。如果不归一化，网络第一层MLP的输入数值范围就完全不同，BatchNorm虽然能缓解，但模型需要浪费大量epoch去适配尺度，效果还很差。

def normalize_points(points): """以质心为中心, 缩放到半径1的球体内""" centroid = points.mean(axis=0) points = points - centroid radius = np.linalg.norm(points, axis=1).max() return points / radius, centroid, radius def denormalize_points(points, centroid, radius): """推理完成后恢复原始尺度, 便于和真值对比""" return points * radius + centroid

这段代码在训练前调用一次，保存centroid和radius，推理后把预测结果反归一化回原始坐标，再去和真值算Chamfer距离。注意：指标一定要在原始尺度上计算，否则报告里的“去噪误差0.8cm”就失去物理意义了。我自己踩过这个坑，数据归一化到单位球之后所有指标都变成零点几，老师问“0.3是什么单位”时很难解释。

导出去噪结果建议同时存ply和npz。ply给可视化用，npz保存mask、prob和清理后的坐标，后面算指标和画对比图不用反复去读ply。

def export_denoised(points, prob, thr=0.5, path="denoised.ply"): """points: [N,3] 原始坐标, prob: [N] 保留概率""" mask = prob > thr cleaned = points[mask] prob_keep = prob[mask] pcd = o3d.geometry.PointCloud() pcd.points = o3d.utility.Vector3dVector(cleaned) # 用概率染色: 红=高置信保留, 蓝=勉强保留 colors = np.zeros((len(cleaned), 3)) colors[:, 0] = prob_keep colors[:, 2] = 1.0 - prob_keep pcd.colors = o3d.utility.Vector3dVector(colors) o3d.io.write_point_cloud(path, pcd) # 同时存npz, 方便后续指标计算 np.savez("denoised.npz", points=cleaned, prob=prob_keep)

这里的thr=0.5是默认分界线。实操中你会发现很多点的概率落在0.4~0.6之间，不要急着调阈值。先检查训练数据里噪声点的标签是否干净，以及alpha是否偏低。阈值后调是治标，把模型训练好才是治本。

4. 期末大作业版评价指标：Chamfer距离、PSNR与三张必做的图

4.1 三个必须算的指标：CD、简化PSNR与F-score

深度学习的点云去噪论文一般用Chamfer Distance和Earth Mover's Distance。EMD计算代价很高，期末大作业用Chamfer距离作为主指标就够了。Chamfer距离定义为：对去噪结果的每个点，找它在真值点云里的最近邻，算平均距离；反过来再算一次；两项相加。这个指标同时惩罚“过度删除”和“欠去噪”：如果模型把表面细节全部磨平了，去噪点离真值的距离不会小；如果模型疯狂删点，反向距离会飙升。

from scipy.spatial import cKDTree def chamfer_distance(src, tgt): """ src: 去噪结果[N,3], tgt: 真值[M,3] 返回标量, 越小越好 """ tree_src = cKDTree(src) tree_tgt = cKDTree(tgt) d_s2t, _ = tree_tgt.query(src, k=1) # src每个点最近邻距离 d_t2s, _ = tree_src.query(tgt, k=1) return d_s2t.mean() + d_t2s.mean()

逻辑说明：这里用cKDTree做最近邻搜索，复杂度是O(N log N)，比暴力计算快很多。单位与点云输入一致：如果你的点云是米制，CD就是米；如果是毫米制，CD就是毫米。报告里CD数值一般在0.005~0.05之间比较常见，所以建议在表头标注单位，避免出现“差距看着很小”的误解。

第二个指标是简化版PSNR。图像PSNR依赖像素值的峰值，点云没有这个概念。常见做法是：把点云坐标归一化到固定尺度（比如1.0），然后按坐标均方误差定义峰值信噪比。

def psnr_simple(points_gt, points_clean, max_range=1.0): """简化版点云PSNR: 先把坐标缩放到max_range尺度再算MSE""" gt = points_gt.astype(np.float64) clean = points_clean.astype(np.float64) # 各自归一化 for p in (gt, clean): p -= p.mean(axis=0) radius = np.linalg.norm(p, axis=1).max() p /= radius + 1e-8 mse = ((gt - clean) ** 2).mean(axis=None) return 10 * np.log10((max_range ** 2) / (mse + 1e-8))

注意这个PSNR是简化版，答辩老师问起来要能解释清楚。它的问题在于：点云是稀疏集合，直接比对坐标的点对并不对应，所以PSNR只能作为辅助指标，主指标还是Chamfer距离。

第三个指标F-score也很实用。做法是设定一个距离阈值τ，对去噪后的每个点，如果它在真值点云里的最近邻距离小于τ，就算“命中”。然后统计所有命中点占比，得到精度；反过来算召回；再取调和平均。

def f_score(src, tgt, tau=0.01): """tau是容忍误差阈值, 通常设为噪声标准差或更小""" tree_tgt = cKDTree(tgt) d_s2t, _ = tree_tgt.query(src, k=1) precision = (d_s2t < tau).mean() tree_src = cKDTree(src) d_t2s, _ = tree_src.query(tgt, k=1) recall = (d_t2s < tau).mean() return 2 * precision * recall / (precision + recall + 1e-8)

F-score的价值在于它直接反映“有没有把该留的点留住，该删的删掉”，比CD更直观，也更接近任务本质。期末报告里建议三个指标都算，CD和F-score做主表，PSNR放附录或备注。

4.2 做一张让老师一眼看懂的效果对比图

可视化质量在大作业评分里的权重比很多人想象的高得多。模型效果好不好，老师最终是靠眼睛判断的——指标表再漂亮，图上看不出差异也会被怀疑。

我的做法是用open3d的渲染窗口配固定视角，导出一组图后用PIL拼接成四联图：原始带噪、真值、统计滤波结果、深度模型去噪效果。四张图的相机位姿必须一致，否则观察者会误以为几何差异是视角差异造成的。

import open3d as o3d from PIL import Image def render_view(pcd_path, out_path, view_params): """打开渲染窗口并截图保存, view_params控制相机位置""" vis = o3d.visualization.Visualizer() vis.create_window(width=800, height=600, visible=False) vis.add_geometry(o3d.io.read_point_cloud(pcd_path)) ctr = vis.get_view_control() ctr.convert_from_pinhole_camera_parameters(view_params, allow_arbitrary=True) # 白底+合理点大小, 避免渲染成黑色一团 opt = vis.get_render_option() opt.background_color = np.array([1, 1, 1]) opt.point_size = 2.0 vis.poll_events() vis.update_renderer() vis.capture_screen_image(out_path) vis.destroy_window()

渲染参数里有几个坑要专门说。第一，背景色务必设成白色或浅灰色，open3d默认黑色背景会让稀疏点云看起来很压抑，而且打印出来费墨水。第二，point_size根据点数大小调整，点数多时设1.0避免粘连，点数少时设3.0避免看不清。第三，allow_arbitrary=True允许所有既有视角直接复用，保证四张图位姿完全一致。

拼接四联图时注意子图之间的间隔和标注，每张图下方用PIL画一行文字标注方法名。最终输出分辨率建议在1600×1200以上，放在报告里占半页，清晰度足够。

4.3 结果表怎么组织：噪声强度x方法的指标矩阵才是报告主菜

期末报告的实验结果部分，最忌讳只给一个“去噪前后对比”的图，那更像演示而不是实验。一份能撑住答辩的实验部分，至少包含一张“噪声梯度x方法”的指标矩阵表。行方向是噪声强度（低/中/高），列方向是“原始带噪输入 / 统计滤波 / 深度模型去噪”，每个格子里写CD值，括号里写F-score。

这张表的数字不是我跑出来的精确结果，只是用来演示“报告应该呈现什么样的信息结构”。注意每一行的阅读方式：从上往下看，统计滤波相对原始输入提升有限；深度模型在中低噪声下把CD压到了原来的三分之一左右。高噪声下所有方法都在退化，但深度模型退化的斜率更平滑——这个结论正是老师想看的“方法论价值”。

除了这张主表，还要画一条loss曲线。用训练时记录的历史loss值，画出横轴epoch、纵轴loss的折线，叠加train和val两条线。val loss如果拐头上升，说明过拟合，这时可以拿掉一部分训练数据或者加dropout；val loss如果不降，说明模型容量不够或学习率偏低。这张图不需要复杂工具，matplotlib三行代码的事，但它能证明“训练过程是健康的”，避免老师怀疑你的结果是不是过拟合出来的。

5. 避坑：跑点云去噪源码最容易翻车的5个地方

5.1 现象：程序一跑就显存溢出，batch size降到2还是崩

报错通常是CUDA out of memory，但奇怪的是你把batch从16调到2还是崩。原因多半不是batch too大，而是单样本点数N太大。PointNet中间特征张量是[B, C, N]，N一旦到几十万甚至上百万，中间变量轻松吃掉几十GB显存。

解决方法是训练前对所有样本降采样到固定点数，我一般用voxel_down_sample(voxel_size=0.005)或随机采样到8192点。这里强调用体素降采样而不是随机采样，是因为随机采样会无差别丢弃表面细节，让真值本身失真。体素降采样在每个格子内取平均，能在降密度的同时保留几何形态。显存量小的机器还可以把N降到4096，模型效果会下降但不会崩。

5.2 现象：loss一直不降，卡在0.6附近不动

这是最典型也最磨人的翻车点。loss卡在0.6左右，sigmoid输出大概在0.5附近徘徊，说明模型在“瞎猜”。先查一个最常见的元凶：输入坐标没有归一化。Fl点云的xyz如果是米制，物体半径2米，网络第一层的输出数值范围会非常大，BatchNorm虽然缓解了部分问题，但模型要花大量epoch去适应不同样本的尺度差异。

另外要查的是标签有没有反。有些同学在生成数据时把“1”标给了噪声点，模型学到的映射恰好反了，loss也降不下去。调试方法很简单：取一个batch，打印label.unique()，确认标签分布符合预期，然后单独取几个样本可视化，看看带噪输入和干净真值是不是对应上了。这一步在dataloader写完后立刻做，不要等训练跑完再排查。我自己的习惯是训练脚本里加一个debug开关，打开后只跑一个batch并直接退出，专门用来验证数据流水线。

5.3 现象：loss降得很好，但输出的ply文件里全是NaN

loss曲线漂亮但推理结果全是NaN，这往往是两个原因之一：一是训练后期学习率过大导致head层数值发散，sigmoid之前的中间激活数值爆炸成inf；二是推理代码少了torch.no_grad()或torch.inference_mode()，导致显存和梯度记录疯涨，最终溢出。

解决思路分两头。训练侧：把初始学习率从1e-3降到3e-4，如果还有NaN就继续降到1e-4。这在期末场景下完全够用，不需要去研究学习率调度策略。推理侧：在模型前向外面套一层with torch.inference_mode():，并且手动model.eval()关掉BatchNorm的统计更新。还有一个小概率原因是ply读入了非法点，比如坐标出现inf，清洗数据的阶段顺便做一次np.isfinite(points).all(axis=1)过滤一下。

5.4 现象：可视化窗口打开后一坨黑，看不见点云形状

open3d默认黑背景，加上点数大、点尺寸小，渲染出来很容易是一片黑。没有经验的同学会以为模型输出了空点云，其实是渲染配置的问题。

解决：首先把背景色改为白色或浅灰，opt.background_color = np.array([1, 1, 1])。然后把点尺寸调大，opt.point_size = max(1.0, 2000.0 / N)，N是当前点数。如果点云尺度在毫米级别，先做个归一化再显示，否则坐标值太大，相机初始位置会落在非常远的地方，看到的是一团黑。最后，显示前用pcd.translate(-pcd.get_center())把质心移到原点，相机视角立刻可控。

另外一个影响观感的因素是渲染窗口默认显示坐标系，背景里会有个小三色轴，截图放在报告里显得不专业。opt.show_coordinate_frame = False关掉它即可。

5.5 现象：所有指标都很好，但肉眼看去噪结果和输入几乎没差别

这是最隐蔽也是最容易翻车的点：模型学到了“拷贝输入”。具体表现是CD降低明显、F-score很高，但把去噪前后的点云叠在一起看，几乎重合。原因在于训练数据中噪声点占比太低，网络发现只要把所有点都判为保留，loss就已经很低，因为大部分点都是干净点，交叉熵的贡献被“简单样本”主导了。

解决思路在3.3节已经提过，但这里再强调一次：正样本权重alpha一定要按噪声点比例反推。如果你的离群点只有3%，alpha直接拉到20；如果噪声点占比已经到10%，alpha可以降到5。另外，训练完成后单独打印一下“真实噪声点被删除的比例”和“干净点被删除的比例”，这两个数分别对应召回和误删率。如果前者低于80%，说明模型确实没有学会去噪，指标再好看也是假的。

还有一个可视化技巧能戳穿这个假象：把去噪结果和原始输入用一个半透明渲染叠在一起，如果除离群点外几乎完全重合，属于正常；如果去噪后的点云在表面内侧偏移，说明模型把噪声当成了特征来“平滑”——这时候要检查loss定义是不是有问题，比如是不是错误地用坐标回归代替了分类。

6. 把这份源码改造成自己的：三个加倍加分的小改进与答辩验收清单

6.1 最轻量的改进：把法线特征拼进输入

基础模型跑通后，最安全且高效的一个改进是把输入从3维xyz扩到6维——额外拼接每个点的法线。用open3d的estimate_normals从带噪点云估算，噪声大时法线会被污染，但网络会学会一个很有意思的行为：当法线方向与邻域趋势不一致时，这个点很可能就是噪声点。实现时只需要把in_features改成6，并把法线拼接到坐标后面。从报告角度讲，这也能体现你对“深度学习如何利用几何属性”有思考，而不仅仅是调包。

6.2 加一个轻量的自注意力模块

如果法线还不够提分，可以在feat.max(dim=2)之前加一个轻量自注意力。思路是：用点的局部特征两两算相似度，得到一个注意力权重矩阵，对邻域特征做加权聚合。实现的代价很小，通常十来行代码；但注意点云点数多时自注意力的O(N²)开销不可忽略，可以先降采样到4096点再做注意力。这属于“我能写但老师不一定会问细节”的加分项，前提是你能在答辩时把它讲清楚。

6.3 答辩验收清单：五样东西备齐再提交

期末大作业不是代码跑完就能交的，验收时老师可能随时打断你问问题。我给自己的项目定过一份答辩清单：第一，程序能从原始ply一路跑到输出ply和指标csv，全程不需要人工干预；第二，报告里有噪声建模，明确写了高斯噪声sigma和离群点生成方式；第三，指标表里有不同噪声难度下的对比，证明方法的普适性；第四，可视化存了至少三组不同噪声等级的对比图，全部用同一相机位姿；第五，能现场说出正样本权重alpha为什么这么设、阈值0.5是怎么来的。

这五条对应的是完整闭环：数据有根据、方法有选型、实验有梯度、结果可复现、答辩能解释。我自己复现过多次类似项目，最后发现丢分的从来不是模型性能，而是说不清楚每个环节为什么存在、参数为什么这么设。你把这个逻辑理顺了，期末作业拿高分只是顺带的事；真正收获的是从数据到评估的完整动手流程，这个能力在后面的深度学习课程里会一直用得上。希望帮到你。

本文还有配套的精品资源，点击获取