自动摘要: 排牙（单颗牙物体坐标轴向精准） 状态定义：所有牙齿都原点的状态叫原始状态，未排齐的牙齿叫初始状态，排齐牙齿叫做目标状态 空间变换矩阵（44）：平移、旋转、缩放左上前33是旋转矩阵，最后一列 ……..
排牙（单颗牙物体坐标轴向精准）
状态定义：所有牙齿都原点的状态叫原始状态，未排齐的牙齿叫初始状态，排齐牙齿叫做目标状态
空间变换矩阵（44）：平移、旋转、缩放左上前33是旋转矩阵，最后一列中的前三个元素是平移矩阵，最后一行是固定的为[0，0，0，1]；举例：空间变换矩阵为：
， 旋转矩阵为
，平移矩阵为
，其中1，…，9，a, b, c是未知量。
数据：
原始数据：数据形式：点云n*3test.json文件格式：共28个牙齿结构center: 几何中心点fdi: 牙齿编号；mat: 原始状态到目标状态的变换矩阵；width: 每颗牙齿的宽度；处理后的数据：数据目录: 每份牙颌共有三个文件夹，两个.txt文件文件夹Original: 原始状态；文件夹Shuffle(Init): 初始状态；文件夹Target: 目标状态；Init_features.txt: 初始状态的特征向量，网络的输入；28颗牙齿，共28行/组，每行8个数字分别为：宽度，（x,y,z）,旋转姿态的四元数。Target_features.txt: 目标状态的特征向量，网络的输出；28颗牙齿，共28行/组，每行8个数字分别为：宽度，（x,y,z）,旋转姿态的四元数。
代码目录介绍：
文件夹0：原始数据（同上）文件夹mesh: 网格数据，牙位号命名的.stl数据。Test.json: （同上）;格式：共28个牙齿结构;center: 几何中心点;fdi: 牙齿编号；mat: 原始状态到目标状态的变换矩阵；width: 每颗牙齿的宽度；
文件夹dataset：处理后的数据（同上）(数据目录：每份牙颌共有三个文件夹，两个.txt文件)文件夹Original: 原始状态，标签命名的.ply文件。文件夹Shuffle(Init): 初始状态文件夹Target: 目标状态Init_features.txt: 初始状态的特征向量，网络的输入28颗牙齿，共28行，每行8个数字分别为：宽度，（x,y,z）,旋转姿态的四元数Target_featus.txt: 目标状态的特征向量，网络的输出28颗牙齿，共28行，每行8个数字分别为：宽度，（x,y,z）,旋转姿态的四元数
Test文件夹: 推理阶段的输出结果
Trained_models文件夹: 保存模型文件
Preprocess.py: 把产品部给的数据转成自己需要的的数据集Rearrange: 牙位号换成牙位索引（0，1，…，27）Mat_to_quarters: 44空间变换矩阵提取四元数Set_global_m: m是归一化系数，需要求出来的get_target_features: 获取目标状态的特征向量，维度288get_init_features: 获取初始状态特征，28*8get_shuffle_data: 生成初始状态数据（shuffle文件夹）。get_ Original data: 生成原始状态数据（Original文件夹）get_target data: 生成目标状态文件夹（Target文件夹）write_ feature_txt: 写入features_namePreprocess_data: 把上面函数整合Gen_dataset: 生成数据dataset.py: 数据加载器
model.py: 模型(网络)文件T_mlp_8: 数据编码器T_128_7: 解码器T_model_super: 整个模型
Train_position.py: 训练代码Trace_loss测地损失: 两个旋转矩阵的角度差Loss_function: 定义误差的损失函数，邻牙关系邻牙关系：每颗牙和邻牙的距离与目标状态下每颗牙和邻牙的距离Kl: 散度，两个分布之间相似性
Inference.py：推理
