Every9D-21M：大规模真实世界 9D 姿态标准化数据集
计算机视觉与模式识别
2026-05-28 v1
摘要
从单张真实世界图像估计日常物品的 9D 位姿仍具有挑战性。这在很大程度上源于缺乏大规模监督数据。大多数现有数据集要么严重依赖合成渲染，要么提供的日常物品覆盖范围有限：目前规模最大的真实世界 9D 位姿数据集仅包含 1.7 万张标注图像，覆盖 9 个类别。为填补这一空白，我们提出 Every9D-21M，一个包含 2180 万张真实世界图像的 9D 位姿标注数据集，这些图像来自 109 万片以物品为中心的视频，涵盖 700 种日常物品类别——在图像数量和类别数量上都比现有真实世界 9D 位姿基准数据集大两个数量级。为实现此规模，我们利用物品中心视频，通过多视图几何重建物品级别的点云，并将相似实例对齐到共享的标准坐标系中。仅对少数参考物品进行手动标注（小于 0.01% 的图像），其余实例通过跨实例对齐获得标准位姿。所有传递的标准位姿随后从多个视角进行验证。我们进一步引入跨类别方向规则，诱导出类别级对称性，实现对称感知的评估。除建立专门的训练和评估划分作为 9D 位姿基础模型基准外，我们展示在 ImageNet3D 和 PASCAL3D+ 上的训练效果，并且在 HANDAL 上的泛化能力显著优于仅在 ImageNet3D 上训练。数据和代码均已公开于 https://github.com/GenIntel/Every9D。
引用
@article{arxiv.2605.28270,
title = {Every9D-21M: Large-Scale Real-World 9D Canonicalization of Everyday Objects},
author = {Leonhard Sommer and Emil Akopyan and Adam Kortylewski},
journal= {arXiv preprint arXiv:2605.28270},
year = {2026}
}