DeepSDF（DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation）是三维表达领域一篇重要的论文，提出了使用神经网络来拟合空间点到三维体表面的公式，从而实现三维体的表达。接下来，我们将通过一系列博客深入分析这篇文章，以期对该方法有更深刻的理解。

由于DeepSDF没有直接给出数据集，只给了生成数据集的代码，加之时日久远，代码运行起来有版本相关的一些问题。因此这一系列文章的第一篇博客，我们主要讲述如何成果运行官方的代码从而获得DeepSDF的数据集，以供神经网络进行训练。之前折腾过复现的老哥应该有同感，这部分可以说是整篇文章最恶心的部分。。。

PS: 这个工作不是必须的，网上有雷锋已经跑了整个流程然后把数据集打包发了出来，如果只是想训练一下可以直接找到文章最后的链接下载。另外，有专门用于生成DeepSDF数据集的python包，叫做mesh-to-sdf，也可以实现生成DeepSDF数据集的功能。自己跑数据集的生成，一方面是为了确保和官方使用的数据集一致（事实上因为数据集的生成代码中有随机表面采样，我们完全无法保证和官方使用的数据一样，艹）。另一方面，则是为了看看官方提供的数据集有没有什么毛病（本人看了官方的代码之后的确发现了一些小问题，下一篇博客再说）。

下面直接进入正题，本文参考了官方github中Issues的相关描述，在Ubuntu24.04中将环境配置了起来并进行数据集生成。（24.04需要将GCC切换为12。如果是老一点的Ubuntu版本，即默认GCC12以下，包括12的版本，则不需要干这件事。

数据集生成

（1）ShapeNet数据集下载

DeepSDF使用的数据集由ShapeNet数据集处理而来，因此第一步要先下载ShapeNet数据集。

下载地址

ShapeNet/ShapeNetCore · Datasets at Hugging Face

这个网站需要梯子才上得去，下载之前需要先申请，我申请两天后拿到权限就可以下载。

下载细节

可以人工一个个点击下载，那样会直接用浏览器的下载器下载。如果只想复现DeepSDF，可以只下载"02691156"，“03001627”，“03636649”，“04256520”，"04379243"五个数据包，因此点五下也不是很麻烦，而且还能节省一点空间。

如果想下全部数据，则可以使用git clone来下载，不过需要设置代理：

git config --global http.proxy 'http://127.0.0.1:VPN端口号'
git config --global https.proxy 'http://127.0.0.1:VPN端口号'
git config --global http.proxy 'socks5://127.0.0.1:VPN端口号'
git config --global https.proxy 'socks5://127.0.0.1:VPN端口号'

然后在Hugging Face添加SSH & GPG Keys，最后使用如下代码下载即可：

git clone git@hf.co:datasets/ShapeNet/ShapeNetCore

下载下来的数据长下面这个样子：

（2）安装所需库

数据集的转换主要用到CLI11、Eigen3、Pangolin和nanoflann四个库，需要挨个编译安装。

CLI11安装

这个库用于处理控制台给到的命令，非常方便，推荐写控制台程序的老哥都装上。

git clone https://github.com/CLIUtils/CLI11 --recursive
mkdir build && cd build
cmake ..
make
sudo make install

Eigen3安装

这个库用于数学矩阵计算，数据集处理中计算三角形的面积，法线已经调整OpenGL的相机位置等都用到了这个库。查了一下，Eigen3最新版本是3.4.0，因此装了这个。

wget https://gitlab.com/libeigen/eigen/-/archive/3.4.0/eigen-3.4.0.tar.gz
tar xvf eigen-3.4.0.tar.gz
cd eigen-3.4.0
mkdir build && cd build
cmake ..
make
sudo make install

Pangolin安装

这个是OpenGL的封装库，大部分复现的同学主要就是卡在这个库上面，从代码上看感觉完全没必要用这个库，论文的作者可能是自己用这个库用熟了吧。。。

使用最新版本的Pangolin会遇到各种问题（修改对应的源码也能解决，就是麻烦一点），需要改成v0.6版本。然而，ubuntu24.04的默认gcc版本是13，编译v0.6版本会有问题，需要改成12，操作如下:

# 卸载当前版本的g++和gcc
sudo apt remove g++
sudo apt remove gcc
sudo apt install g++-12 # 这将自动安装gcc
# 将gcc和g++的默认版本指定为当前的12版本
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-12 20
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-12 20
# 注：最后一个数字20是优先级，除非存在多个gcc g++版本，这个数字无需更改

随后下载代码并切换到v0.6版本：

git clone https://github.com/stevenlovegrove/Pangolin.git --recursive
cd Pangolin
git checkout v0.6

因为新的ffmpeg改了很多命名，这个项目又用不到，所以最方便的方法是把它的编译选项关掉（否则需要自己去修改相关的代码，两眼一黑。。。）。

mkdir build && cd build
cmake -DBUILD_PANGOLIN_FFMPEG=OFF .. #因为版本问题，最近的ffmpeg会存在找不到对象的问题，反正也不需要用到，直接关了ffmpeg
cmake --build .
sudo make install

遇见问题

1. python版本问题

error: invalid use of incomplete type ‘PyFrameObject’ {aka ‘struct _frame’}

这个问题和python版本有关，可以通过在虚拟环境中安装3.10来解决。操作之前先把build文件夹清空。

conda create -n DeepSDFNew python=3.10
conda activate DeepSDFNew
cmake -DBUILD_PANGOLIN_FFMPEG=OFF ..
cmake --build .
sudo make install

2. 源码缺失问题

error: ‘numeric_limits’ is not a member of ‘std’

找到"include/pangolin/gl/colour.h"这个文件，在include部分加上#include 。随后再编译即可。这个问题也可以先解决，不然等到报错才整比较麻烦。

nanoflann安装

这个库用于构建不同拓扑。在这份代码中，用这个库构建KD-Tree，以快速搜索空间点附近的表面点，从而计算空间点的SDF值，即与三位体表面的距离。

git clone https://github.com/jlblancoc/nanoflann
cd nanoflann
mkdir build && cd build
cmake ..
make
sudo make install

cd /usr/local/include
sudo mkdir nanoflann
sudo mv nanoflann.hpp nanoflann

（3）DeepSDF代码编译运行

完成上面的工作，接下来就是DeepSDF的代码编译运行了。

git clone https://github.com/facebookresearch/DeepSDF.git
cd DeepSDF/third-party
git clone https://github.com/rogersce/cnpy.git

定位到DeepSDF的ShaderProgram.cpp文件中，把in int gl_PrimitiveID这行注释掉。这句话如果不注释掉虽然编译不会出错，然而等会运行程序的时候着色器会报错。

mkdir build && cd build
cmake -DCMAKE_CXX_STANDARD=17 ..
make
sudo make install

如果没报错应该就OK了。在DeepSDF/bin目录下产生两个可执行文件，分别是PreprocessMesh和SampleVisibleMeshSurface，如果有这两个文件则说明SDF的环境都配置成功了。

然后配置下python环境：

conda create -n DeepSDFdata python=3.6
conda activate DeepSDFdata
conda install pytorch==1.1.0 torchvision==0.3.0 cudatoolkit=10.0 -c pytorch
pip install plyfile
pip install scikit-image
pip install trimesh

直接运行preprocess_data.py即可，注意将"[…]/ShapeNetCore.v2/"改为ShapeNet数据集的真实路径。

mkdir data
sudo ldconfig
python preprocess_data.py --data_dir data --source [...]/ShapeNetCore.v2/ --name ShapeNetV2 --split examples/splits/sv2_sofas_train.json --skip

运行过后代码会在data文件夹下生成文件，生成速度大概一个10s左右的样子（AMD 5900x+RTX4090）。