WHU-Synthetic：面向 3D 多任务模型研究的合成感知数据集
计算机视觉与模式识别
2025-04-01 v3
摘要
能够并行处理多个子任务的端到端模型已成为新趋势，这为 3D 视觉领域内多任务的集成带来了重大挑战和机遇。3D 数据采集条件的限制不仅限制了许多创新研究问题的探索，还导致现有 3D 数据集主要关注单一任务，使得 3D 多任务学习缺乏系统方法和理论框架，大多数努力仅作为主任务的辅助支持。在本文中，我们介绍了 WHU-Synthetic，一个专为多任务学习设计的大规模 3D 合成感知数据集，涵盖从初始数据增强（上采样和深度补全）、场景理解（分割）到宏观任务（地点识别和 3D 重建）。在相同环境域中收集，我们确保了子任务之间的内在对齐，从而无需单独训练即可构建多任务模型。此外，我们实现了几种新颖的设置，使得在现实场景中难以实现的某些想法成为可能。这支持了更自适应和鲁棒的多任务感知任务，例如在城市级模型上采样、提供不同密度的点云以及模拟时间变化。利用我们的数据集，我们进行了多项实验来研究子任务之间的互惠，揭示了新的观察、挑战和未来研究的机会。数据集可在 https://github.com/WHU-USI3DV/WHU-Synthetic 获取。
引用
@article{arxiv.2402.19059,
title = {WHU-Synthetic: A Synthetic Perception Dataset for 3-D Multitask Model Research},
author = {Jiahao Zhou and Chen Long and Yue Xie and Jialiang Wang and Conglang Zhang and Boheng Li and Haiping Wang and Zhe Chen and Zhen Dong},
journal= {arXiv preprint arXiv:2402.19059},
year = {2025}
}