论文链接：https://arxiv.org/pdf/2003.00410.pdf
https://arxiv.org/pdf/2003.00410.pdf PF-Net是一个点云补全模型，整体网络为生成对抗网络（Gan）构成，G网络负责生成缺失的数据，D网络负责鉴别G网络生成的数据。
1、数据集的制作
PF-Net预测缺失的点云数据，因此在制作数据集时，需要随机扔掉一个方向的数据，代码如下。这里扔掉的点会记录作为lable与预测值进行loss计算。
# 对于每一个对象，在提供的5个区域中随机选择一个丢失的区域
choice = [torch.Tensor([1, 0, 0]), torch.Tensor([0, 0, 1]), torch.Tensor([1, 0, 1]), torch.Tensor([-1, 0, 0]), torch.Tensor([-1, 1, 0])]除此之外，作者在输入数据的时候，将点固定在2048个点，也就是说不论进来的数据是什么，都将被采样为2048个点，这里的采样方式为随机采样（踩坑：我改代码改为最远点采样方式后效果奇差）。
2、特征提取
输入G网络的数据将会被分为三份输入网络，由于每个点云数据所构成的点的数量是不一样的，为了方便网络提取特征，需要设定一个定值，通常需要采样，但是每次采样的方式又会影响网络训练效果，作者索性用三次采样，每次采样都采样固定的点数，这里分别为512、1024、2048。采样方式采用最远点采样，上面说到会随机丢到一部分的点，这里每个采样后的点会丢失的数量分别为64、128、512。如图1所示，一个点云数据的不同点数的最远点采样。
图1 最远点采样
特征提取方面，这里作者使用了一种叫CMLP的方法，这种方法其实类似于二维图像中的特征金字塔，CMLP在MLP的基础上加入了特征拼接，这里面就包含了浅层语义信息。如图2所示，左侧为MLP，右侧为CMLP。
图2 MLP和CMLP
前面说到，将会有同一数据的三次最远点采用的数据进入到G网络中，因此每个最远点采样后的数据都需要做一次CMLP，然后将做完的特征拼接起来，如图3所示。
图3 三次最远点采样的结果分别进行CMLP
接下来，对得到的特征进行进一步的特征提取，经过MLP和Linear后会得到三种不同长度的特征，分别为1024，512，256。这些特征会通过进一步的卷积得到预测点，如图4所示。
图4 G网络
其中，每一种长度的卷积结果还会和其他层相加进行预测，得到的预测点分别和真实的值做欧式距离（CD)计算。这里就会引入损失函数，即希望CD值越小越好。文章中的损失函数为：
3、D网络
鉴别器（D网络）主要鉴别生成器（G网络）生成的预测数据是否为真实的，为了能让D网络知道哪些是真实数据，哪些为假的的数据。因此，作者直接告诉了D网络，在生成数据部分，我么说过有真实的label，将这些真实的数据喂入D网络，希望D网络的损失值越小越好。同时我们也有G网络生成的数据喂给D网络，并且告知是假数据，这样的话就希望损失值越大约好。这里的损失函数为：
公式里第一部分求的是真实值，其loss越小越好，本来公式里的第二部分输入假数据希望求最大值的，取个反就变成求最小值了。
最后训练时，我们只需要追求一个统一的loss就可以了，把G、D网络的Loss加在一起计算最小值，公示如下：
两个入为权重系数，他们的合为1。再看下总体的图，如图5下面的虚线内为D网络。
图5 PF-Net总体图
至此，网络讲解结束。
tips：原文的代码有些bug，需要代码的和实在有不懂的联系我1049632143，说明来意。
