点云赛道¶

赛道概览

36 个 Lesson（4 个核心 + 32 个进阶） · 预计 2-3 周 · PointNet、DGCNN、PointNet++ 与 64 架构 Zoo

Point Cloud 赛道从最经典的 PointNet 出发，逐步引入图卷积（DGCNN）和层级采样（PointNet++），最后通过 30+ Backbone Zoo 统一对比各类 3D 点云架构。赛道还包含自监督学习等进阶内容，共计 36 个 Lesson。

学习路径¶

flowchart LR
    L01["**01 PointNet**\n点集排列不变性"] --> L02["**02 DGCNN**\n动态图卷积"]
    L02 --> L03["**03 PointNet++**\n层级采样"]
    L03 --> L04["**04 Zoo 对比**\n30+ Backbone"]
    L04 --> ADV["进阶 Lessons\n自监督 / 分割 / 重建"]

    style L01 fill:#d97706,color:#fff
    style L02 fill:#d97706,color:#fff
    style L03 fill:#d97706,color:#fff
    style L04 fill:#7c3aed,color:#fff
    style ADV fill:#059669,color:#fff

先修知识¶

领域	要求
DL-Hub	完成 Vision 视觉赛道
3D 几何	点云表示、3D 坐标系、刚体变换基本直觉
数学	最远点采样（FPS）、K-NN 搜索概念

核心课程列表¶

序号	项目	代码文档	核心概念
01	PointNet 点云分类	`pointnet_toy_classification`	点集排列不变性, T-Net
02	DGCNN 点云分类	`dgcnn_toy_classification`	动态图, EdgeConv
03	PointNet++ 点云分类	`pointnet2_toy_classification`	层级采样, Set Abstraction
04	30+ Backbone Zoo 对比	`pointcloud_zoo_toy_classification`	统一接口, Backbone 对比

36 个 Lesson 总计

除上述 4 个核心 Lesson 外，Point Cloud 赛道还包含 32 个进阶 Lesson，涵盖自监督点云预训练（15 种方法）、部件分割、场景分割、点云重建等主题，共计 36 个 Lesson。

核心技术对比¶

方法	输入处理	聚合方式	关键创新
PointNet	逐点 MLP	全局 Max Pooling	排列不变性 + T-Net 对齐
DGCNN	动态 K-NN 图	EdgeConv	每层重建图，捕获局部几何
PointNet++	FPS + Ball Query	多尺度 Set Abstraction	层级特征学习，局部到全局

运行示例¶

Lesson 01 — PointNetLesson 02 — DGCNNLesson 03 — PointNet++Lesson 04 — Zoo 对比

python -m tracks.pointcloud.lesson_01_pointnet_toy_classification.train \
  --dataset fake --epochs 1 \
  --max-train-batches 2 --max-eval-batches 2

python -m tracks.pointcloud.lesson_02_dgcnn_toy_classification.train \
  --dataset fake --epochs 1 \
  --max-train-batches 2 --max-eval-batches 2

python -m tracks.pointcloud.lesson_03_pointnet2_toy_classification.train \
  --dataset fake --epochs 1 \
  --max-train-batches 2 --max-eval-batches 2

# 使用 PointNet backbone
python -m tracks.pointcloud.lesson_04_pointcloud_zoo_toy_classification.train \
  --arch pointnet --dataset fake --epochs 1

# 使用 DGCNN backbone
python -m tracks.pointcloud.lesson_04_pointcloud_zoo_toy_classification.train \
  --arch dgcnn --dataset fake --epochs 1

# 使用 PCT backbone
python -m tracks.pointcloud.lesson_04_pointcloud_zoo_toy_classification.train \
  --arch pct --dataset fake --epochs 1

Point Cloud Backbone Zoo¶

64 架构可供切换

Point Cloud Zoo 包含 30 个算法族 / 64 个架构 ID，涵盖点集模型、图模型、MLP 模型、Transformer 和卷积模型。

# 列出所有可用架构
python scripts/pointcloud_zoo.py --list

# 搜索特定架构
python scripts/pointcloud_zoo.py --search pct

# 冒烟测试
python scripts/pointcloud_zoo.py --smoke pointnet

Point Cloud 架构分类详情（点击展开）

类别	架构	特点
Set Models	PointNet, PointNet++, DeepSets	基于点集的直接处理
Graph Models	DGCNN, PointGAT, PointGCN, PointWeb	基于图结构的消息传递
MLP Models	PointMLP, PointMixer, PointNeXt	纯 MLP 建模几何关系
Transformer	PCT, Point Transformer, PointBERT, PointMAE	自注意力捕获全局依赖
Conv Models	KPConv, PointCNN, PointConv, ShellNet	3D 空间卷积操作
Extra	CurveNet, GDANet, PAConv, PVCNN, RandLANet, RSCNN, SpiderCNN 等	其他创新结构

3D 点云处理发展脉络¶

flowchart TD
    subgraph 第一代["第一代：直接处理点集"]
        PN["PointNet\n(2017)"]
        PN2["PointNet++\n(2017)"]
    end
    subgraph 第二代["第二代：图 / 卷积"]
        DG["DGCNN\n(2019)"]
        KP["KPConv\n(2019)"]
    end
    subgraph 第三代["第三代：Transformer / MLP"]
        PCT["PCT\n(2021)"]
        PM["PointMLP\n(2022)"]
        PNX["PointNeXt\n(2022)"]
    end
    subgraph 自监督["自监督预训练"]
        PB["PointBERT"]
        PMAE["PointMAE"]
    end

    PN --> PN2
    PN --> DG
    PN2 --> KP
    DG --> PCT
    KP --> PCT
    PCT --> PM
    PCT --> PNX
    PCT --> PB
    PCT --> PMAE

    style PN fill:#d97706,color:#fff
    style PN2 fill:#d97706,color:#fff
    style DG fill:#2563eb,color:#fff
    style KP fill:#2563eb,color:#fff
    style PCT fill:#7c3aed,color:#fff
    style PM fill:#7c3aed,color:#fff
    style PNX fill:#7c3aed,color:#fff
    style PB fill:#059669,color:#fff
    style PMAE fill:#059669,color:#fff

下一步¶

完成 Point Cloud 赛道后，你可以继续：

推荐方向	说明
Generative 生成模型赛道	学习 VAE 和 GAN 生成模型
Multimodal 多模态赛道	将 3D 理解与语言结合的跨模态学习