QWTforGithub

非常抱歉，最近在赶deadline，有一些忙，回复地比较晚。这似乎是在跑你自己的数据集是吗。如果是在跑自己的数据集的话，我建议首先先花几个小时在PUGAN或者PU1K上做一下推理和训练，代码没出现问题的话，继续跑自己的数据集。如果有问题，那么大概率是环境没有配置好。然后，你的数据输入格式是condition [B,N,3]以及Ground Truth [B,rN,3]吗？r是倍率，比如4倍率，稀疏点是2048个点，那么Ground Truth应该是[B,8192,3]。可以参考一下这个问题：#10

你好，我认为问题出在cuda11.8上，建议降低本地的cuda版本到11.6或者更低。然后重新在虚拟环境中安装cudatookit和cudnn: `conda install cudatoolkit` `pip install nvidia-cudnn-cu11` 或者尝试： `conda install cudatoolkit=11.1 -c nvidia/label/cuda-11.1.1 -c conda-forge` ` conda install cudnn=8.2.1 -c nvidia/label/cudnn8.2.1` 再次验证： `import torch print(torch.version) print(torch.cuda.is_available()) print(torch.cuda.device_count()) print(torch.backends.cudnn.version()) print(torch.version.cuda)`

你好，感谢你对这个工作的关注。目前这份代码还没添加多GPU训练的功能。过段时间选定完自己的博士方向，我可能会重新优化这份代码（其实，这份代码很多地方我自己也不是很满意，预估在过年之前会调整完成）。如果，你非常急切想要修改成多GPU训练，其实并不困难，可以遵循以下DDP训练的例子，希望对你有所帮助： # ----- DDP训练例子----- ``` import torch import torch.distributed as dist import torch.multiprocessing as mp import torch.nn as nn import torch.optim as optim from torch.nn.parallel import DistributedDataParallel as DDP from...

感谢你的祝福。这个issue我不关闭了，还有问题的话，就直接在这个issue提问吧。

你好，似乎是没有写好DDP的代码。我计划是20号到过年之前会重构PUDM的代码，到时候可能会增加多GPU训练的代码。如果不是特别着急的话，可以等一段时间。

> 你好，可以在Windows系统上运行这个项目吗，pytorch3d有Windows可以下载的源吗？ 你好，PUDM其实仅仅是利用了Pytorch3D的knn，完全由其他的包代替，比如pontnet2里的knn。我目前没有发现Pytorch3D window的版本。我做完rebuttal后，会拿出时间来重构PUDM的代码，应该会替换掉Pytorch3D。

> 你好，我在使用你提供的pugan.pkl进行测试的时候发现如下问题。 > > 我使用python prepare_dataset.py --input_pts_num 2048 --R 4 --mesh_dir mesh_dir --save_dir save_dir对数据进行处理（修改了prepare_dataset.py中noise_level=0），之后使用python samples.py --dataset PUGAN --R 4 --step 30 --batch_size 27进行测试得到如图所示的结果，发现与原文中没有添加噪声的结果有些不同。 > > 请问我这样处理有问题吗？如果没问题的话为什么会有这样的结果? > > 感谢你能抽时间看我的问题，期待你的回复~ >...

> 感谢你的回复！ > > 我上个问题没有表达清楚，可以看到我的CD loss结果是0.121，但论文中的结果是0.131，同样HD loss我的结果是1.16，而论文是1.22，我想确认一下我的数据集处理是否有问题，是否拿训练集进行测试了，才导致结果偏好。 > > 第二个问题：我在训练的时候看到epoch是2000，这是要全部训练完嘛，还是等指标收敛就停止？大概需要多少个epoch可以收敛？ > > 再次感谢你的回复！！ 你处理的结果是没问题的，训练集是一个.h5文件，因此和用于测试的处理数据是无关的。结果更好了，这或许是因为我之前的实现和目前的实现有些出入导致的。之前，我是将插值点和xt通过元素相加的方式送入到The N-Net网络，即i+xt，而现在的实现是通过通道拼接的方式，即cat(xt,i)，我发现后者得到结果是更好的。这可能是因为i和xt本质上并不是语义对齐的，通道拼接能够更完全保留两者的信息；而元素相加压缩了特征空间，抵消xt或者i中的一些重要细节信息。 论文中，我是训练了1000个epoch就得到了这样的结果。然后，我发现继续训练仍然可以得到更佳的可视化，因此，我难以确定到底训练多少个epoch能完全收敛。但是1000个epoch在PUGAN上，单卡3090条件下，要求训练5天时间，这对于一个low-level系统来说已经很长了。我建议是训练1000个epoch。 当然，这份代码有一些可以进一步优化的地方，如果你感兴趣，可以关注我第二个工作[CDSegNet](https://github.com/QWTforGithub/CDSegNet)，在supplementary的第五章，我提供了一些优化diffusion的trick，我相信是可以进一步优化PUDM的。

感谢你的关注。我记得你也关注我的另一个工作了。你的这些问题都是比较好回答的，但是，非常抱歉，我最近在赶deadline，大约要2个周左右才能抽出时间一一回复。实际上，DDPMs在短期训练中是很难work的，因此需要一些先验引导。这样才能引导推理过程向着想要的结果生成，这个操作有点像Classifier Guidance，在推理过程中通过引入一个额外的分类器来指导DDPMs生成指定类别的图像。先回复这么多。。。 今晚还要通宵赶论文。。。

> hi wt， > > [PUDM/pointnet2/eval.py](https://github.com/QWTforGithub/PUDM/blob/b7e3f11e99667a06a6fcafa3d5eb42ca573d5b34/pointnet2/eval.py#L137) > > Line 137 in [b7e3f11](/QWTforGithub/PUDM/commit/b7e3f11e99667a06a6fcafa3d5eb42ca573d5b34) > > global_p2f.append(point2mesh_distance) > > 这行代码似乎应该改为global_p2f.append(total_metapoint2mesh_distance) 谢谢你的关注。其实这份代码，我一直想花时间去重构，因为代码优化非常不到位。但是学业问题，我总是不停地在做下个工作，导致自己没有时间去重写代码（上个deadline结束之后，立马又开始下个deadline）。实际上，很多DDPMs的训练和推理trick可以应用于PUDM上。后续我抽出时间会进一步优化代码。