GSCollision
收藏资源简介：
GSCollision数据集包含多个对象的Gaussian splats（PLY文件）、背景Gaussian splats、场景组合配置文件、静态Gaussian splats、初始场景的多视角图像（MP4文件）、模拟结果（H5文件）以及渲染的视频（MP4文件）。数据集的组织结构清晰，便于使用和研究。
The GSCollision dataset contains Gaussian splats (PLY files) of multiple objects, background Gaussian splats, scene combination configuration files, static Gaussian splats, multi-view images of the initial scene (MP4 files), simulation results (H5 files), and rendered videos (MP4 files). The dataset has a well-organized structure, facilitating its usage and research.
数据集概述
数据集名称
GSCollision
数据集结构
数据集根目录为 GSCollision/，包含以下子目录和文件：
-
objects/
- 存储单个物体的高斯点云（PLY文件）。
- 示例：
panda/、can/、ball/。
-
backgrounds/
- 存储背景的高斯点云（PLY文件）。
- 示例：
table0/、table1/。
-
scene_configs/
- 存储场景组合的配置文件（JSON文件）。
- 示例：
3_0.json、4.json、6.json。
-
scenes/
- 存储组合后的多物体静态高斯点云。
- 子目录结构示例：
3_0/0_panda_ball_can/（内含PLY文件）。
-
initial/
- 存储带背景的初始场景多视角图像（MP4文件）。
- 子目录结构示例：
3_0/0_panda_ball_can/（内含MP4文件）。
-
mpm/
- 存储模拟结果（无背景的动态高斯点云，H5文件）。
- 子目录结构示例：
3_0/0_panda_ball_can/（内含H5文件）。
-
dynamic/
- 存储渲染后的视频（包含不同背景和视角的MP4文件）。
- 子目录结构示例：
3_0/0_panda_ball_can/（内含MP4文件）。
-
README.md
- 数据集结构、使用方法和元数据的文档。
数据生成流程
- 场景配置：在
scene_configs/中配置JSON文件以设置初始物体姿态，或通过运行python -m dataset.generate_configs --obj_num 2 --scene_num 5自动生成配置文件。 - 场景生成：运行
python -m dataset.generate_scene --input {json_file} --output {output_dir}生成高斯点云。 - 物理模拟：运行
python -m dataset.gs_simulation_scene使用MPM模拟动力学，生成动态高斯点云（.h5文件）。 - 渲染：运行
python -m dataset.render渲染初始场景的多视角图像和动态输出视频。
相关模型与依赖
数据生成与处理依赖以下预训练模型：
- SuperGlue：用于特征匹配。
- OSEDiff：用于图像生成与编辑。
- Pi3_splat：模型可从 https://huggingface.co/lishiqianhugh/Pi3_splat 下载。
- DiffSplat：模型可从 https://huggingface.co/chenguolin/DiffSplat 下载。
- SAM2：用于图像分割。
主要用途
该数据集用于训练和评估物理接地的4D动态模型（如Neural Gaussian Force Fields），支持以下任务：
- 动态模型训练。
- 4D视频预测（从单视角视频重建并生成未来动态）。
- 高斯点云的可视化。
引用
若使用该数据集或相关代码，请引用：
@inproceedings{ Li2026PhysicsGrounded4D, title = {Learning Physics-Grounded 4D Dynamics with Neural Gaussian Force Fields}, author = {Li, Shiqian and Shen, Ruihong and Ni, Junfeng and Pan, Chang and Zhang, Chi and Zhu, Yixin}, year = {2026}, booktitle = {ICLR}, url = {https://neuralgaussianforcefield.github.io/} }
