语言选择/Language: 中文 // English（To be completed）

此代码主要是笔者为了本科毕设需要（将Pixel2Mesh迁移到移动设备上）而完成。因为Tensorflow 1.x版本受到限制，因此将Pixel2Mesh代码进一步修改成Tensorflow 2.x版本。

代码构成主要参考了如下链接。Pixel2Mesh//Pixel2Mesh++ 非常感谢师兄师姐在此领域作出的贡献。(此前已联系Nanyang Wang师兄，本代码的Blog和Github项目可以开源)

代码主要基于CNN+GCN框架。

Requirements：

• Python 3.6+
• Tensorflow(version 2.0+)
• numpy
• ...

本代码在Tensorflow 2.4,CUDA 11.0，Ubuntu 20.04 ，硬件设备：GeForce GTX 1050 Ti上测试过。建议懒得配环境的同学用TF官网Docker，本代码全程在Docker中调试运行（备注：由于过年在家期间用自己电脑跑的，未在实验室，因此预训练权重和Model暂且不放上来了、后续会补充。一个Epoch数据有35010个，跑完一个Epoch大概需要1.5h。loss跑10个epoch损失收敛在12左右。loss在跑45-50个epoch后可收敛到4~6左右，三维重建后的模型较为精细。loss最低预估可收敛到4.5附近。）

采用ShapeNet数据集，视角的Rendered方法来自3D-R2N2 训练和测试的数据集可以在data/train_list.txt和data/test_list.txt中找到。具体数据集的下载可以从Pixel2Mesh++里下载。

待完成

首先从下载Pre-trained Model，（链接待完成）。将下载好的demo放到指定位置，我的路径是results/coarse_mvp2m/models/20200222model，你可以在代码中更改自己预训练模型的路径。 之后在终端执行

python demo.py

输入图片及三维Mesh效果图如下所示：（待完成）

在配置好环境且数据集下载完成后，可以开始模型的训练

首先在cfgs/mvp2m.yaml中将对应路径设置成自己数据集所在的位置

• train_file_path: the path of your own train split file which contains training data name for each instance
• train_image_path: input image path
• train_data_path: ground-truth model path
• coarse_result_*: the configuration items related to the coarse intermediate mesh should be same as the training data

配置完对应的cfg文件，且在train_mvp2m.py中修改预训练模型路径后(记着将pre_train的选项由False改为True Default：False)。 python train_mvp2m.py

暂且没写，目前用不上。后续会跟进。

This software is for research purpose only. Please contact me for the licence of commercial purposes. All rights are preserved.

Yann Qi (email: yannqi@qq.com)

Apache License version 2.0