Voxel51/partscan

PartScan是一个用于细粒度3D部件分割的数据集，对具身AI系统至关重要，这些系统需要与物体的特定功能部件（例如抽屉把手而非整个柜子）进行交互。由于获取密集的部件级3D注释是一个主要瓶颈，PinPoint3D引入了一个3D数据合成流程，生成了一个大规模的场景级数据集，该数据集在稀疏的、真实世界风格的扫描上具有密集的部件注释。PartScan已被解析为FiftyOne的3D点云数据集，包含场景级扫描和密集的每点部件级注释。它是为PinPoint3D框架引入的合成数据集，该框架用于通过少量用户点击实现细粒度、多粒度的3D部件分割。每个样本是一个彩色点云场景片段，在FiftyOne App的3D查看器中渲染。

Fine-grained 3D part segmentation is crucial for embodied AI systems that must interact with specific functional components of an object (e.g. a drawer handle rather than the whole cabinet). Acquiring dense, part-level 3D annotations is a major bottleneck, so PinPoint3D introduces a 3D data-synthesis pipeline that produces a large-scale, scene-level dataset with dense part annotations on sparse, real-world-style scans. PartScan has been parsed as a FiftyOne 3D point cloud dataset of scene-level scans with dense, per-point part-level annotations. It is the synthesized dataset introduced for PinPoint3D, a framework for fine-grained, multi-granularity 3D part segmentation from a few user clicks. Each sample is a colored point cloud of one scene fragment, rendered in the FiftyOne Apps 3D viewer.

搜集汇总

数据集介绍

构建方式

PartScan数据集通过PinPoint3D框架引入的3D数据合成流水线构建而成，旨在解决细粒度三维部件分割中密集标注数据匮乏的瓶颈。该流水线能够高效生成大规模场景级点云数据，并赋予每个点稠密的部件级别标注信息。每一份样本均为一个场景片段的有色点云，采用ScanNet风格的命名规则（sceneXXXX_YY）进行标识，确保了与现有三维理解基准的兼容性。

特点

该数据集包含1,509个扫描片段，覆盖707个独特场景，每场景包含1至7个片段。每个点携带空间坐标（x, y, z）、RGB颜色以及部件ID标签，其中标签-1表示未标注或忽略点。样本级字段包括场景标识符、片段编号、总点数、有效部件标签集合、标注点数量及未标注点占比，为多粒度、细粒度的三维部件分割研究提供了丰富的数据支持。

使用方法

使用PartScan时，首先通过Hugging Face Hub的snapshot_download函数将数据集快照下载至本地工作目录，随后利用FiftyOne库的from_dir方法加载数据集，指定数据集类型为FiftyOneDataset并命名。加载完成后，可通过fo.launch_app启动交互式3D查看器，在场景中以点云形态直接观察每个点的RGB颜色与部件标签，便于进行可视化分析与模型验证。

背景与挑战

背景概述

PartScan数据集由南方科技大学张博钧等研究人员于2025年提出，旨在解决具身智能系统中细粒度三维部件分割的瓶颈问题。该数据集通过PinPoint3D框架的合成管线生成，包含707个场景的1509个片段点云，每个点带有部件级标注。作为首个场景级、密集部件标注的真实风格点云数据集，PartScan填补了稀疏扫描中部件级标注的空白，为多粒度三维部件理解提供了标准化基准，显著推动了机器人操控与场景交互领域的发展。

当前挑战

PartScan面临的核心挑战在于细粒度部件分割的领域难题：从稀疏、真实风格场景点云中识别功能组件（如抽屉把手），需同时处理类别不均衡与部件边界模糊问题。构建过程面临两大挑战：一是人工标注三维点云的极高成本与时间消耗，二是合成数据到真实场景的域适应问题，包括点云密度差异、噪声模式不一致及标注粒度的语义歧义，需通过数据合成管线与多粒度对齐机制缓解。

常用场景

经典使用场景

在三维视觉与具身智能研究中，PartScan数据集为细粒度部件级三维分割任务提供了关键支撑。该数据集通过PinPoint3D框架的合成管线生成，包含707个场景、1509个扫描片段，每个点云样本均带有稠密且精细的部件标注。研究者可以基于此数据集训练模型，实现对物体组件的精细识别，例如区分柜体整体与抽屉把手等特定功能部件。经典用法包括多粒度部件分割、基于少量点击的交互式分割，以及场景级点云中不同部件类别的语义理解。数据集依托FiftyOne平台呈现，支持三维点云的直观加载与可视化，极大便利了算法开发与验证流程。

衍生相关工作

PartScan数据集的出现催生了多项具有影响力的后续研究。其核心方法PinPoint3D提出了基于少量用户点击即可完成细粒度部件分割的框架，激发了交互式三维分割范式的探索。后续工作延续了合成数据与真实场景对齐的思路，发展了更为高效的标注传播策略与领域适配技术。此外，该数据集与FiftyOne平台的深度集成推动了三维数据可视化与标注工具的标准化，衍生出面向点云部件分割的基准测试与评估协议。这些工作共同拓宽了三维细粒度理解的研究边界，并为部件级物体重建、功能推理与机器人操控等前沿课题提供了可复现的数据支撑。

数据集最近研究

最新研究方向

PartScan作为PinPoint3D框架配套的大规模合成数据集，聚焦于细粒度三维部件分割这一具身智能领域的前沿方向。传统方法受限于密集部件级三维标注的高昂成本，该数据集通过创新的数据合成流水线，在稀疏的真实场景扫描上生成具有逐点部件级别标注的场景级点云数据。这一突破性设计使得智能体能够精准识别并操作物体的特定功能部件（如抽屉把手而非整个柜体），为机器人交互和场景理解提供了关键数据支撑。结合FiftyOne平台的可视化能力，PartScan推动了多粒度三维分割从少量用户交互中实现的研究进程，相关成果发表于2025年arXiv预印本，代表了合成数据驱动具身智能研究的最新趋势。