SceneScribe-1M：具备详尽几何与语义标注的大规模视频数据集

3D 几何感知与视频合成的融合正在创造对大规模视频数据的 unprecedented 需求，这些视频数据富含语义信息和时空信息。虽然现有数据集在推进 3D 理解或视频生成方面取得了进展，但在提供规模化支持两者的统一资源方面仍存在显著鸿沟。为弥合这一鸿沟，我们引入 SceneScribe-1M，一个新的大规模多模态视频数据集。它包含一百万份野外视频，每段视频都精细标注了详细的文本描述、精确的相机参数、稠密深度图和一致的 3D 点轨迹。我们通过建立广泛的下游任务基准来展示 SceneScribe-1M 的多样性和价值，包括单目深度估计、场景重建和动态点跟踪，以及有或无相机控制的文本到视频合成。通过开源 SceneScribe-1M，我们旨在提供一个全面的基准和研究的催化剂，推动开发能够感知动态 3D 世界并生成可控、逼真视频内容的模型。