PF-Net 3D 点云补全
换一种数据：3D 无序点集。基于 PF-Net(Point Fractal Network) 的 GAN 点云补全——ShapeNet-Part 上自监督裁 512 点当 GT，多尺度 FPS 编码(1920 维)+ 分层残差解码 coarse(64)→center2(128)→fine(512) 填洞，Chamfer Distance + 对抗损失双约束。
完整点云 → FPS 裁掉最近 512 点（出现空洞）→ 多尺度 FPS 金字塔 → 分形解码器 coarse(64)→center2(128)→fine(512) 逐级填洞，配 Chamfer Distance 读数与对抗损失开关。
本地版本说明
裁剪策略（5 视角 + 距离排序裁 512）、point_scales_list、1920 维 latent、残差金字塔解码器、errG/errG_l2 损失都是 PF-Net 真实结构，来自咕泡 DL 系统班 3D 点云源码。课程为 HLS 视频无字幕，架构由源码+标题重建（高置信度）；权重未随站点发布，点云/坐标/CD 数值为示意，浏览器内不跑模型。
PF-Net 点云补全：裁掉一块再生成回来
完整点云 → FPS 裁掉 512 点留下空洞 → 多尺度 FPS 编码 → 分层金字塔解码器 coarse(64)→center2(128)→fine(512) 逐级把缺失区域填回来，最后给 Chamfer Distance 读数。
2D 投影点云
* 灰点=部分输入；绿点=解码器生成；琥珀虚环=裁剪视角。形状与坐标为示意，权重未随站点发布。
分层金字塔解码器
Chamfer Distance ×100 (fine ↔ GT)
—errG_l2 = CD(fine,gt) + α₁·CD(center1,key1) + α₂·CD(center2,key2)。CD 越小越好，coarse→fine 逐级下降。
对抗损失 (D_choose)
errG = (1−wtl2)·BCE_adv + wtl2·errG_l2 · wtl2=0.95
判别器 _netlocalD 让 fine 区域更像真实表面，惩罚过于平滑的解。
建议体验
运行，看 FPS 裁掉最近 512 点，部分点云上留下空洞。
看解码器 coarse→fine（center1 64 → center2 128 → fine 512）逐级填洞，Chamfer Distance 逐级下降。
开关对抗损失（D_choose），对比纯重建与 GAN 辅助。
这个试玩能说明什么
你能驾驭无序 3D 集合数据——FPS、Chamfer Distance、置换不变的最大池化。
你能做超越 2D 的编码-解码 + GAN：结构化生成，而非分类/检测。
你理解多尺度残差设计——为什么 coarse→fine 金字塔优于直接回归 512 点。
任务
点云补全（GAN）· ShapeNet-Part 16 类 · npoints 2048
架构
多尺度 FPS 编码（1920 维）→ 残差金字塔解码 64→128→512
损失
Chamfer Distance ×100 + 对抗 · errG_l2 权重 wtl2=0.95