一、环境配置

1. 系统基础环境

• 操作系统: Ubuntu 14.04 (推荐原生系统或兼容性好的虚拟机)
• CUDA: 8.0 + cuDNN (需匹配 TensorFlow 1.2 版本要求)
• Python: 2.7 (因 TensorFlow 1.x 对 Python 3 支持有限)

2. 核心依赖安装

# 创建 Python 虚拟环境（建议使用 virtualenv）
virtualenv tof-env
source tof-env/bin/activate

# 安装 TensorFlow 1.2 和关键依赖
pip install tensorflow-gpu==1.2.0
pip install -r requirements.txt

3. 辅助工具安装

• Blender 2.7: 官方下载
• pbrt-v3-tof: 从 Su et al. 的仓库 编译安装
• MatLAB: 需安装 MatLabEXR 插件（用于处理 EXR 格式渲染结果）

---

二、数据准备

1. 下载预生成数据

• 数据集链接: Google Drive
  • 下载 ToF FlyingThings3D (~20GB)
  • 下载预训练模型权重

2. 自定义数据生成 (可选)

若需生成新数据，按以下流程操作：

(1) 生成深度图（Blender）

# 运行无头模式渲染
/path/to/blender -b scene.blend --python output_zpass.py --python_args

(2) 生成瞬态渲染（pbrt-v3-tof）

# 单场景渲染
/path/to/pbrt scene.pbrt

# 批量渲染（参考示例脚本）
bash batch_run_pbrt.sh

(3) 转换为 ToF 数据（MATLAB）

% 运行 transient_to_depth.m
addpath('transient_processing/example');
transient_to_depth('input_dir', 'output_dir');

---

三、模型编译与测试

1. 编译 CUDA 扩展

cd utils/
make
cd ops/warp_by_flow/
make

2. 运行推理

# 修改 fullmodel.py 中路径配置
DATA_DIR = "/path/to/test_data"
OUTPUT_DIR = "/path/to/predictions"

# 执行测试
python fullmodel.py

---

四、关键注意事项

1. 路径一致性:
   • 确保 .blend (Blender) 与 .pbrt (pbrt) 文件中的相机参数（FOV、分辨率）一致
   • 检查坐标系转换（Blender 使用 -Z forward, Y up，需与 pbrt 对齐）
2. TensorFlow 1.x 兼容性:
   • 若出现 UnpicklingError，尝试指定 custom_objects 加载模型：

     model = tf.keras.models.load_model('model.h5', custom_objects={'DenseUpsamplingConvolution': DenseUpsamplingConvolution})

3. MATLAB 依赖:
   • 确保 MatLabEXR 插件正确安装，支持 EXR 文件读写

---

五、常见问题解决方案

问题类型	解决方法
make 编译失败	检查 CUDA 8.0 路径，确认 nvcc 可用性
数据集加载错误	验证 loader.py 中的路径分隔符（Linux 用 /）
瞬态渲染结果异常	检查 pbrt 文件中的材质反射率参数范围（0~1）
模型输出 NaN	检查输入数据归一化是否在 [0,1] 范围内

---

六、延伸实验建议

1. 消融实验:
   • 对比 Ours only mask 与完整模型性能（见表 4）
   • 测试不同 SAM 模型规模（SAM-B vs SAM-H）对精度的影响
2. 真实数据测试:
   • 使用 test_real/calib.bin 校准文件
   • 设置 mvg_aug=True 启用多视角几何增强

---

通过以上步骤可完整复现论文结果。如需进一步优化部署效率，可尝试：

1. 将 TensorFlow 1.x 模型转换为 ONNX 格式
2. 使用 tf.compat.v1 渐进升级至新版本 TensorFlow