TrueCity：用于跨域3D场景理解的真实与模拟城市数据
计算机视觉与模式识别
2025-11-11 v1 人工智能
机器学习
摘要
3D语义场景理解是3D计算机视觉社区长期面临的挑战之一。关键问题在于有限的真实世界标注数据以促进通用模型。常见做法是模拟新数据。虽然合成数据集具有可扩展性和完美标签，但其设计导向的场景未能捕捉真实世界的复杂性和传感器噪声，导致合成到真实的领域差距。此外，尚无基准提供同步的真实与模拟点云，用于分割导向的领域偏移分析。我们引入TrueCity，这是首个具备厘米级标注真实世界点云、语义3D城市模型以及代表同一城市的标注模拟点云的城市语义分割基准。TrueCity提出与国际3D城市建模标准一致的分割类别，实现合成到真实差距的一致评估。我们在常见基线上进行大量实验，量化领域偏移并突出利用合成数据以增强真实世界3D场景理解的策略。我们坚信TrueCity数据集将推动合成到真实差距量化的进一步发展并实现通用数据驱动模型。数据、代码和3D模型均可在线获取：https://tum-gis.github.io/TrueCity/
关键词
引用
@article{arxiv.2511.07007,
title = {TrueCity: Real and Simulated Urban Data for Cross-Domain 3D Scene Understanding},
author = {Duc Nguyen and Yan-Ling Lai and Qilin Zhang and Prabin Gyawali and Benedikt Schwab and Olaf Wysocki and Thomas H. Kolbe},
journal= {arXiv preprint arXiv:2511.07007},
year = {2025}
}
备注
The paper accepted for 3DV 2026 (International Conference on 3D Vision 2026)