1. 先理解本文要解决什么问题点云生成为什么需要分治点云生成是三维视觉和图形学里的基础问题。给定一个物体类别或者一个局部几何约束模型要输出一组空间点坐标让这些点尽量贴近真实物体表面。早期方法大多直接回归点坐标或者把问题建模成点集分布拟合。但当点云点数增多、结构变复杂时直接生成会遇到两个问题一是高分辨率点云需要大量输出通道内存和计算开销快速上升二是点云内部不同区域的结构差异很大单一网络很难同时刻画平坦表面、尖锐边缘和复杂拓扑。“Learning to Tessellate: Point Cloud Generation via Recursive Spectral Partitioning”这篇论文提出了一条完全不同的技术路线不直接生成点而是递归地将三维空间划分成若干子区域让每个子区域不断细分直到生成的区域内部足够简单再生成点。这套思路的核心是“递归谱划分”也就是对空间区域做谱聚类式的二分或分治。换个通俗说法它不期望一个模型一口吃成胖子而是像画地图一样先把大区域切成小区域再让小区域各自处理自己的细节。这篇文章适合以下读者正在做点云补全、点云生成或三维形状重建的研究者想在生成模型中引入结构化先验的工程师对谱方法、空间划分、树结构和生成模型感兴趣的人想复现论文实验但卡在数据集准备、模型训练和评估指标上的学生。读完这篇文章你会理解递归谱划分生成点云的整体流程掌握最基本的数学表达和伪代码能够搭建一个简化的复现项目并知道评估点云生成结果时要用哪些指标、遇到常见报错该怎么排查。2. 核心概念拆解点云、谱划分和递归细分的配合关系2.1 点云生成的难点在于结构不是均匀分布的点云是一组三维坐标集合例如一个桌子的点云可能包含桌面大片平坦区域、桌腿的四条细长结构、桌边的锐利棱线。如果用一个全连接网络直接输出 N 个点的三维坐标网络需要从全局向量中恢复所有局部细节。对于简单类别如球体或许可行但对于椅子、汽车、飞机这类复杂类别全局到局部的映射会变得非常不稳定。另一个常见做法是使用深度生成模型比如对抗生成网络或扩散模型直接估计点云分布。这类方法效果不错但训练复杂而且很难控制生成点云的拓扑结构。递归谱划分方法把问题重新定义成“划分 - 递归 - 生成”三步先用谱聚类找到当前区域的自然分割边界再对每个子区域递归执行相同操作最终在叶子区域生成点。这样做的好处是每个网络只需要负责一个小而简单的局部区域生成难度被大幅降低。2.2 谱划分是什么用拉普拉斯矩阵切分空间谱聚类是机器学习里的经典方法。给定一组点构造它们之间的相似度图然后计算图的拉普拉斯矩阵取最小特征值对应的特征向量作为低维嵌入最后对嵌入做聚类。在点云生成的场景里谱划分不是对输入点云聚类而是对“空间区域”做划分。具体含义是当前有一个包围盒或一个空间区域我们希望把它切成两个子区域使得两个子区域之间的连接尽量少每个子区域内部的几何结构尽量一致。这就需要定义区域内部的连接关系。论文中的一个常见做法是在当前区域里采样一组密度点或体素中心建立近邻图然后计算拉普拉斯矩阵的 Fiedler 向量也就是第二小特征值对应的特征向量。Fiedler 向量的正负号可以把区域划成两半。这种划分方式不是简单的按坐标轴切分而是按几何连通性切分。两个空间上靠近但被狭长缝隙隔开的区域有可能被谱划分分到不同子区域而两个空间距离较远但通过窄带连接的区域谱划分会尽量在窄带处切开。这是它优于均匀网格划分和八叉树划分的关键点。2.3 递归细分从全局到局部的树状结构递归谱划分会生成一棵二叉树。根节点代表整个物体的空间范围每次划分把当前节点分成左右两个孩子节点直到达到预设的深度或叶子节点内部点数足够少。每个叶子节点对应一个局部区域网络在这些叶子区域上分别生成点。树的深度直接影响生成点云的分辨率和结构粒度。深度越深叶子区域越小生成的点越精细但需要更多的划分步骤计算开销也更大。浅层树适合低分辨率点云深层树适合高分辨率点云。这种结构本质上是一种自适应空间层次结构类似八叉树但划分边界不是固定的坐标轴平面而是由数据驱动的谱边界。表递归谱划分与常见空间划分方式对比划分方式划分边界优点缺点适用场景均匀网格 / 体素固定坐标轴平面实现简单、GPU 友好忽略几何结构、稀疏区域浪费规则扫描数据、体素占位预测八叉树固定中点切分自适应局部细分、结构清晰边界不是几何边界大场景、LiDAR 点云谱划分数据驱动的几何边界能贴合几何连通性、切分更自然需要构造图并求解特征向量复杂物体点云生成与补全实际工程中八叉树是无符号距离场和神经辐射场常用的加速结构而谱划分更适合做几何感知的递归分解。二者并不冲突只是谱划分在“同一深度下保留更多几何语义”上更有优势。2.4 为什么叫“Tessellate”Tessellate 原本指把平面或空间铺满瓦片、镶嵌成 mosaic 图案。在图形学里曲面细分也叫 tessellation指把大面片拆成小三角形或小四边形。本文标题里的 Tessellate 传达的意思是用递归划分把三维空间铺成由多个子区域组成的拼图每个子区域是拼图的一块瓦片最后这些瓦片上的点拼成完整物体形状。理解这一点很重要因为后续所有模块都是围绕“空间划分”设计的编码器要输出区域特征划分模块要决定怎么切叶子生成器要在小区域里补点。整条链路不是“输入全局形状、输出点云”的端到端黑箱而是“全局理解加上局部决策”的结构化生成过程。3. 方法框架递归谱划分生成点云的整体流程论文总体框架可以拆成四个环节输入编码使用点云编码器例如 PointNet 或 PointNet提取全局和局部特征。谱划分预测一个划分网络根据当前区域特征预测划分矩阵或划分方向决定将区域一分为二。递归执行对划分出的子区域重复预测直到达到最大深度。叶子点生成在每个叶子区域生成固定数量的点合并所有叶子输出得到最终点云。这里要区分两个概念谱划分本身和划分网络。谱划分是目标函数中的先验或正则而划分网络是学习如何预测划分。传统的谱聚类需要显式构造相似度矩阵并做特征分解计算代价高且不可导。论文的改进是让网络学习预测“等价于谱划分结果”的划分方式这样既保留谱划分的几何优点又能在神经网络里端到端训练。3.1 编码器如何得到区域特征对于当前区域先把它内部的点坐标转换到局部坐标系。假设当前节点包围盒中心为 c边长为 s可以把每个点归一化到 [-1, 1] 范围再输入编码器。编码器输出一个特征向量代表当前区域的几何概况。这个特征向量会被用于两个地方预测划分、生成叶子点。如果采用 PointNet还可以在不同半径的邻域内聚合特征这样划分网络能感知局部密度变化和边缘结构。3.2 划分网络从特征到划分矩阵划分网络输入区域特征输出一个划分矩阵。这个矩阵的规模与当前区域内部采样的点数相关。论文中常用做法是把当前区域均匀采样 K 个点每个采样点获得一个二分类概率概率值把采样点分成两组。两组采样点各自构成子区域的近似表示。为了让划分结果接近谱划分损失函数中要加入谱划分一致性约束。一种可行方式是先对当前区域构造近邻图计算拉普拉斯矩阵求解 Fiedler 向量然后用网络输出的划分向量去匹配 Fiedler 向量的符号。也就是说网络在模仿谱聚类的结果但推理时可以绕开特征分解直接吃特征出划分。损失函数示意# 伪代码谱划分匹配损失 def spectral_partition_loss(sample_coords, pred_partition): # 根据采样点坐标构造近邻图 adj build_knn_graph(sample_coords, k8) L compute_laplacian(adj) _, fiedler_vec smallest_eigenvectors(L, k2) target sign(fiedler_vec) return binary_cross_entropy(pred_partition, target)这段代码说明训练阶段我们需要先算一次谱聚类结果作为监督信号推理阶段不使用这个模块模型直接输出划分。因为 Fiedler 向量只是一个软指导真正要让网络学会划分还需要加结构一致性损失让划分后两个子区域都尽量紧凑。3.3 叶子生成器在局部区域里补点到达最大深度后叶子区域不再划分而是由生成器直接输出固定数量的点。生成器输入当前区域特征输出一个 M x 3 的张量代表 M 个点的局部坐标。为了实现高分辨率点云M 可以和叶子区域大小、物体复杂度相关。论文中通常设置每个叶子生成 32、64 或 128 个点具体数量由实验决定。叶子生成器可以使用简单的多层感知机也可以使用条件生成网络。如果希望点云分布更均匀可以加入排斥损失或最远点采样约束。3.4 整个递归过程的伪代码def generate_point_cloud(encoder, partition_net, leaf_net, max_depth, num_points_per_leaf): root_feature encoder(input_points) # 全局或初始区域特征 regions [(root_bbox, root_feature, 0)] final_points [] while regions: bbox, feature, depth regions.pop() if depth max_depth: local_points leaf_net(feature, num_points_per_leaf) final_points.append(transform_to_global(local_points, bbox)) else: partition partition_net(feature) left_bbox, right_bbox split_bbox(bbox, partition, sample_points_in_bbox(bbox)) left_feature encoder(sample_points_in_bbox(left_bbox)) right_feature encoder(sample_points_in_bbox(right_bbox)) regions.append((left_bbox, left_feature, depth 1)) regions.append((right_bbox, right_feature, depth 1)) return concatenate(final_points)这段流程展示了解码阶段也就是从根节点开始递归展开二叉树。实际训练时输入点云会被先经过真实划分生成训练样本网络学习每个节点上如何划分。推理时才用预测的划分去展开树。4. 复现准备环境、数据集和目录结构正式开始复现之前先把环境对齐。论文涉及 PyTorch、点云处理、几何计算和可视化工具下面是一份在常见项目中能跑通的配置清单。4.1 环境要求建议使用 NVIDIA GPU显存不低于 8GB。训练时显存开销来自编码器、划分网络和叶子生成器的特征计算以及每层递归产生的中间特征。如果资源有限可以先降低 batch size、降低最大深度、减小每个叶子生成的点数量。python -m venv tessellate_env source tessellate_env/bin/activate pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install numpy scipy matplotlib open3d tensorboard tqdm pip install pointnet2_ops # 如果使用 PointNet 加速算子如果没有 GPUCPU 也可以跑通小规模演示但完整训练会非常慢。建议先跑一个深度为 3、每叶子 32 点的玩具实验验证代码逻辑再上完整配置。4.2 数据集准备ShapeNet 与最小演示数据论文在 ShapeNet 的多个类别上做实验包括椅子、飞机、汽车等。ShapeNet 数据集规模较大下载和处理都需要额外脚本。如果只是复现主流程可以先用三类数据做一个 Mini 版ShapeNetCore.v1 中的 chair、airplane、car 三个类别每类取 100 个模型使用官方点云采样脚本生成 2048 个点训练和测试按 8:2 划分。如果暂时没有数据集可以用简单几何体生成调试数据比如在单位球面上采样点、在立方体表面采样点。这样能验证代码逻辑是否出错但不代表模型真正学会生成复杂形状。4.3 项目目录结构一个清晰的项目结构能减少排查成本。下面目录可以按实际项目调整tessellate/ ├── configs/ # 配置文件 ├── data/ # 数据集 ├── datasets/ # 数据加载类 ├── models/ # 编码器、划分网络、叶子生成器 ├── utils/ # 几何计算、可视化、指标计算 ├── scripts/ # 训练与评估脚本 ├── train.py ├── evaluate.py └── README.md# configs/train.yaml 示例 data: root: ./data/shapenet_mini categories: [chair, airplane, car] num_points: 2048 model: encoder: pointnet2 max_depth: 4 points_per_leaf: 32 hidden_dim: 128 train: batch_size: 8 learning_rate: 0.001 epochs: 200 device: cuda log_dir: ./logs这里的max_depth: 4表示递归 4 层叶子数量最多为 2 的 4 次方也就是 16 个叶子区域。如果数据形状简单可以减少到 3 层。5. 最小可运行实现用 PyTorch 写一个简化版本下面给出一个可以运行的最小实现它不追求完整复现论文的每一处细节而是还原最主要的递归谱划分生成链路。这个简化版本包括数据样本、编码器、划分网络、叶子生成器、训练循环和可视化输出。5.1 编码器简单 PointNet 风格import torch import torch.nn as nn import torch.nn.functional as F class PointNetEncoder(nn.Module): def __init__(self, input_dim3, hidden_dim128): super().__init__() self.mlp1 nn.Sequential( nn.Linear(input_dim, 64), nn.ReLU(), nn.Linear(64, 128), nn.ReLU(), ) self.mlp2 nn.Sequential( nn.Linear(128, 256), nn.ReLU(), nn.Linear(256, hidden_dim), ) def forward(self, points): # points: [B, N, 3] x self.mlp1(points) # [B, N, 128] x x.max(dim1).values # 全局最大池化[B, 128] x self.mlp2(x) # [B, hidden_dim] return xPointNet 编码器对点序不敏感可处理任意点数的输入。这里最大池化把整片区域的信息压缩成一个全局特征适合做区域级决策。5.2 划分网络输出二分类概率class PartitionNet(nn.Module): def __init__(self, feature_dim128, num_sample_points64): super().__init__() self.num_sample_points num_sample_points self.fc nn.Sequential( nn.Linear(feature_dim 3, 128), nn.ReLU(), nn.Linear(128, 64), nn.ReLU(), nn.Linear(64, 1), ) def forward(self, region_feature, candidate_points): # region_feature: [B, feature_dim] # candidate_points: [B, K, 3] B, K, _ candidate_points.shape feat region_feature.unsqueeze(1).expand(-1, K, -1) # [B, K, feature_dim] x torch.cat([candidate_points, feat], dim-1) logits self.fc(x).squeeze(-1) # [B, K] return logits划分网络把区域特征和每个候选点的坐标拼在一起对每个候选点预测一个二分概率。候选点是当前包围盒内均匀采样的点用来近似区域的几何范围。K 越大划分边界可以表达得越精细但网络输出维度也越高。5.3 谱划分目标构造图拉普拉斯并计算 Fiedler 向量import numpy as np from scipy.spatial import cKDTree from scipy.sparse.linalg import eigsh def fiedler_vector(points, k8): # points: [N, 3] tree cKDTree(points) dist, idx tree.query(points, kk 1) adj np.zeros((len(points), len(points))) for i in range(len(points)): for j in idx[i][1:]: adj[i, j] 1.0 deg np.diag(adj.sum(axis1)) L deg - adj vals, vecs eigsh(L, k2, whichSM) fiedler vecs[:, 1] return fiedler这段代码构造了 k 近邻图计算拉普拉斯矩阵取第二小特征向量作为划分方向的监督信号。eigsh要求矩阵可进行稀疏特征分解点数太多时耗时很高所以训练时通常对区域采样少量点来计算。5.4 叶子生成器从特征直接生成点坐标class LeafGenerator(nn.Module): def __init__(self, feature_dim128, num_points32): super().__init__() self.num_points num_points self.fc nn.Sequential( nn.Linear(feature_dim, 256), nn.ReLU(), nn.Linear(256, num_points * 3), ) def forward(self, feature): # feature: [B, feature_dim] points self.fc(feature).view(-1, self.num_points, 3) return torch.tanh(points) # 限制在 [-1, 1]便于归一化叶子生成器输出的点限制在 [-1, 1] 范围内因为训练时区域内部坐标做了归一化。推理时需要把局部坐标乘上区域边长再加上区域中心变换回全局坐标。5.5 训练循环示例def train_step(model, optimizer, points, target_points, num_sample64): B, N, _ points.shape total_loss 0.0 region_feature model.encoder(points) candidate torch.rand(B, num_sample, 3) * 2 - 1 # 归一化采样候选点 partition_logits model.partition_net(region_feature, candidate) real_fiedler fiedler_vector_batch(points, num_sample) partition_loss F.binary_cross_entropy_with_logits( partition_logits, real_fiedler.unsqueeze(-1) ) leaf_points model.leaf_net(region_feature) reconstruction_loss chamfer_distance(leaf_points, target_points) loss partition_loss reconstruction_loss optimizer.zero_grad() loss.backward() optimizer.step() return loss.item()训练时同时优化划分目标和叶子点重建目标。划分目标让网络学会如何切分区域重建目标让叶子生成器在局部区域生成合理点。二者缺一不可如果只算重建损失划分网络可能退化成随机划分如果只算划分损失叶子生成器无法生成正确形状。6. 关键参数与工程细节6.1 最大深度的影响最大深度是递归谱划分最重要的超参数之一。它决定树的高度也就是划分次数。深度增大一方面能提高生成点云的分辨率和几何复杂度另一方面会导致训练时特征分解和递归展开的计算量指数级上升。常见的设定在 3 到 5 之间具体要看目标点云的点数和形状复杂度。表最大深度与叶子数量对应关系最大深度叶子数量上限每叶子生成点数输出总点数下限适用场景3832256低分辨率、近景简单物体41632512中等分辨率532321024高分辨率、完整物体生成664161024高分辨率但每叶子较少点6.2 候选点数量 K划分网络对候选点做二分类候选点数量 K 决定了划分边界的精度。K 太小划分边界粗糙容易出现严重锯齿K 太大内存和计算开销上升而且训练时为目标计算 Fiedler 向量的成本也会增加。建议从 64 开始若生成点云边界不清晰可以提升到 128 或 256。6.3 近邻图参数 k构造近邻图时 k 的选择影响拉普拉斯矩阵和图连通性。k 太小图可能断裂Fiedler 向量无法稳定表达划分k 太大图会过度连接划分失去局部性。常见取值在 4 到 12 之间。数据分布稀疏时适当增大 k。6.4 损失权重的平衡论文通常把划分损失和重建损失结合起来。划分损失权重过大会导致网络只关注如何把空间切开而不关心最终生成点云好不好重建损失权重过大会导致划分网络失去监督信号。一个稳妥做法是先让重建损失主导训练待点云大致成型后再逐渐提高划分损失的权重。7. 运行验证与常见问题排查7.1 如何验证训练是否正常训练时重点观察三个信号训练损失是否稳定下降。如果损失震荡剧烈可能需要降低学习率划分准确率是否为 50% 左右起步。因为二分任务随机猜也是 50%训练初期接近 50% 是正常的长期不上升说明监督信号或网络结构有问题叶子生成点是否逐渐形成局部形状。可以周期性地保存可视化图片用 Open3D 展示中间结果。import open3d as o3d import numpy as np def visualize_points(points, pathoutput.ply): pcd o3d.geometry.PointCloud() pcd.points o3d.utility.Vector3dVector(points) o3d.io.write_point_cloud(path, pcd)训练阶段建议每 10 个 epoch 保存一次可视化点云这样能直观看到递归划分是否在逐步细化。7.2 常见问题排查表训练和推理过程中的典型问题问题现象常见原因检查方式处理建议训练损失不下降学习率过大或数据未归一化打印输入坐标范围、检查梯度范数将点云归一化到 [-1, 1]降低学习率划分准确率一直 50%划分网络没收到有效特征检查区域特征是否被梯度截断确认编码器输出与划分网络正确连接生成点云只有几个点叶子生成器输出 NaN检查 loss 是否出现 NaN检查候选点是否包含异常值在特征中加 LayerNorm或减小学习率谱特征分解失败近邻图不连通检查近邻图是否有孤立点增大 k或使用带权邻接图显存不足batch size 或候选点数量过大观察显存占用日志降低 batch size、降低 K、降低最大深度生成点云边界模糊划分不够精细可视化划分结果增大 K 或加深递归层数7.3 为什么谱分解不能在推理时用训练时使用谱分解是为了提供监督信号但推理时如果还执行特征分解速度会非常慢而且不可导。关键是让网络在推理时通过“看特征”直接预测划分结果。这样推理阶段只需要一次前向传播复杂度由网络结构决定而不是由特征分解算法决定。这也是该方法和直接在推理时跑谱聚类的本质区别。训练时Fiedler 向量只作为软目标不需要完全精确。如果追求训练稳定可以先对每个区域预计算谱划分结果保存到磁盘作为离线标签。这样训练时不需要在线做特征分解速度会快很多。8. 评估指标与实验对比8.1 Chamfer DistanceChamfer DistanceCD是点云生成最常用的指标。它计算两个点云之间双向最近邻距离的平均值。数值越低说明生成点云与真实点云越接近。def chamfer_distance(pred, gt): from torch.cdist import cdist dist cdist(pred, gt) # [B, N_pred, N_gt] min_pred_to_gt dist.min(dim2).values.mean(dim1) min_gt_to_pred dist.min(dim1).values.mean(dim1) return (min_pred_to_gt min_gt_to_pred) / 2Chamfer Distance 对点云密度变化比较敏感。生成点云如果只在部分区域集中另一个方向的距离会很大所以它能有效反映覆盖度。8.2 Earth Mover‘s Distance推土机距离EMD计算两个点集之间的最小匹配代价。它比 Chamfer Distance 对分布保真度要求更高但计算代价也更高。高分辨率点云上使用 EMD 往往需要二次分配算法显存和耗时都会上升。论文中通常同时报告 CD 和 EMD以平衡“几何覆盖度”和“分布保真度”。8.3 其他指标F-score在给定阈值下生成点云和真实点云之间互相匹配的点比例点到面距离如果真实数据是网格模型可以把生成点投影到真实表面计算点到面的距离均匀度检查生成点云在物体表面是否分布均匀避免点聚集在某个局部区域。8.4 与八叉树方法、直接回归方法的对比角度递归谱划分方法的核心优势在于划分边界适应几何结构。八叉树方法切分固定中点对于细长结构效率不高直接回归方法没有显式空间层次难以扩展至高分辨率。论文里的实验通常会展示不同深度下 CD 和 EMD 的下降趋势以及可视化对比图中点云是否保持完整结构。9. 常见坑与最佳实践9.1 三个容易踩的坑第一个坑是区域归一化不一致。编码器输入点云坐标如果有的区域归一化到 [-1, 1]有的区域没有归一化网络会学到错误的尺度信息。每个子区域在递归时都要先减去区域中心再除以区域半径或边长。第二个坑是谱分解算法的随机性。Fiedler 向量的符号并不唯一同一个划分可能得到正负相反的向量。如果不做符号对齐网络无法稳定学习。训练时可以根据划分后两簇点数的多少来固定正负例如约定正号表示点数较多的一侧。第三个坑是叶子生成器直接回归全局坐标。局部坐标和全局坐标差异较大如果叶子生成器直接输出全局点网络要同时拟合位置和形状更容易过拟合。更稳妥的方法是让叶子生成器输出局部坐标推理时再做仿射变换。9.2 最佳实践清单训练前先确认所有输入点云都在统一坐标系中每个区域递归时保存包围盒中心和边长推理时用于坐标还原使用 TensorBoard 监控划分损失和重建损失的变化趋势谱划分监督信号的 k 近邻图使用 numba 加速避免 Python 循环太慢训练阶段定期保存 checkpoint并记录深度、划分矩阵和生成点云的中间结果评估时不要在训练集上做 F-score要使用独立的测试集如果显存不足优先降低 batch size其次降低 K不要一开始就降低最大深度。9.3 学习环境与生产环境差异学习阶段可以只用几十个模型验证代码训练 10 个 epoch 观察损失是否下降。生产环境或正式实验需要完整 ShapeNet 数据、更长的训练时间、更精细的参数搜索和严格的评估流程。此外生产环境还需要加入日志记录、断点续训、分布式训练支持和模型版本管理。以下是一份发布前检查清单适合正式实验前使用[ ] 数据是否划分训练集、验证集、测试集[ ] 是否统一了点云坐标范围和原点位置[ ] 谱划分使用的近邻图参数是否记录在配置文件中[ ] 每个叶子生成点数量是否与总点数匹配[ ] 推理脚本是否能从 checkpoint 恢复完整结构[ ] 评估指标是否在测试集上运行[ ] 是否保存了可视化中间结果[ ] 是否记录了每个实验的超参数组合10. 从论文到实际项目扩展方向如果想把递归谱划分用到实际项目里可以从以下几个方向延伸10.1 点云补全输入部分点云时可以先对已知点提取特征再在缺失区域递归谱划分生成点。划分网络可以利用已知点云分布预测哪里的空间结构最复杂优先细划那些区域。10.2 高分辨率点云生成直接回归高分辨率点云需要很大输出头而递归方法可以把高分辨率问题拆成多个小分辨率问题。每个叶子点数量固定树的深度增加后总点数指数增长但每个叶子生成器的输出维度不变因此显存开销可控。10.3 结合隐式神经场谱划分可以作为隐式神经场网络的空间自适应采样策略。把空间按几何特征递归分区每个叶子区域分配独立的隐式特征就可以在保持精度的同时减少计算量。10.4 条件生成在编码器输入中加入类别标签或图片特征递归谱划分生成器就能做条件点云生成。类别标签影响全局特征进而影响划分和叶子生成结果。这些方向都建立在同一个核心判断上点云生成不应该一次到位而应该先分解空间再局部生成。递归谱划分提供了一种可学习、可端到端训练的空间分解方式这是它和传统固定网格划分的关键区别。在实际项目中最重要的不是复现论文每一处细节而是理解什么时候该划分、划分到什么粒度、每个局部区域如何独立生成点。把这三点想清楚即使不使用谱划分用八叉树或均匀网格也能设计出结构合理的点云生成系统。