基于数字亲属关系和仿真到现实的方法深化对细粒度 3D 森林结构的理解
计算机视觉与模式识别
2025-01-08 v1
摘要
理解和分析森林的空间语义和结构对于准确的森林资源监测和生态系统研究至关重要。然而，缺乏大规模标注数据集限制了该领域先进智能技术的广泛应用。为此，本文提出了基于数字亲属关系和仿真到现实 (Sim2Real) 概念的全自动合成数据生成与处理框架，具备适用于任意规模和平台的通用性和可扩展性。通过该过程，我们创建了世界上最大的森林点云数据集 Boreal3D。该数据集包含 1000 个高度真实且结构多样的森林图块，跨越四个不同平台，总计 48,403 棵树，超过 353 亿个点。每个点都带有语义、实例和视点的标注信息，每棵树还描述了直径、冠径、叶面积和总体积等结构参数。我们设计并进行了大量实验，以评估 Boreal3D 在实际应用中推动细粒度 3D 森林结构分析的潜力。结果表明，针对特定策略，基于合成数据预训练的模型在应用于真实森林数据集时可显著提升性能。尤其，发现仅用 20% 的真实数据进行微调即可实现与仅使用完整真实数据的模型相当的性能，这凸显了我们提出框架的价值和潜力。Boreal3D 数据集以及更广泛的合成数据增强框架，正准备成为推动大规模 3D 森林场景理解和结构参数估计研究的关键资源。
引用
@article{arxiv.2501.03637,
title = {Advancing the Understanding of Fine-Grained 3D Forest Structures using Digital Cousins and Simulation-to-Reality: Methods and Datasets},
author = {Jing Liu and Duanchu Wang and Haoran Gong and Chongyu Wang and Jihua Zhu and Di Wang},
journal= {arXiv preprint arXiv:2501.03637},
year = {2025}
}