blur-aware-learn2splat-prism3d

该数据集是Blur-Aware Learn2Splat方法在PRISM3D数据集上训练和评估的结果制品集合。包含8个场景（bench, camellia, dragon, jars, jars2, postbox, stone_lantern, sunflowers）在10K迭代下的点云、模糊目标状态、诊断、可视化等，以及两个场景（jars2和sunflowers）的50K延续检查点。提供了RAW模糊输入与去模糊输出的定性比较图像，以及对于每个场景的定量指标（PSNR, SSIM, LPIPS）和原始数量。还包括中间变量可视化（如Turtle教师、EVSSM基线、3D高斯中心投影、高斯容量动态图）和消融实验（如拉普拉斯权重调整的负消融）。所有文件已归档，包含605个文件，包括BPN卷积核图像、核统计表、渲染图、纵向图等。该数据集用于评估去模糊新视角合成方法，可作为基准对比参考。This dataset is a collection of result artifacts from training and evaluation of the Blur-Aware Learn2Splat method on the PRISM3D dataset. It includes point clouds, blur target states, diagnostics, visualizations, etc., for 8 scenes (bench, camellia, dragon, jars, jars2, postbox, stone_lantern, sunflowers) under 10K iterations, as well as 50K continuation checkpoints for two scenes (jars2 and sunflowers). It provides qualitative comparison images of RAW blurry inputs and deblurred outputs, and quantitative metrics (PSNR, SSIM, LPIPS) and original counts for each scene. Also included are intermediate variable visualizations (e.g., Turtle teacher, EVSSM baseline, 3D Gaussian center projection, Gaussian capacity dynamics) and ablation studies (e.g., negative ablation of Laplacian weight adjustment). All files are archived, containing 605 files, including BPN convolution kernel images, kernel statistics tables, renderings, longitudinal plots, etc. The dataset is used to evaluate deblurring novel view synthesis methods and can serve as a benchmark reference.

原始信息汇总

Blur-Aware Learn2Splat: PRISM3D 数据集详情

概述

该数据集是 Blur-Aware Learn2Splat 管线在 PRISM3D 数据集上产生的工程制品，对应代码提交版本为 74f55e6，源分支为 agent/blur-aware-cross-dataset。内容涵盖论文可视化图形、完整可视化存档、中间变量可视化、已接受的八场景 10K 结果、50K 延续实验以及负消融实验。

数据集内容结构

1. 论文可视化图（publication_visuals/）

提供定性对比图，每行对应完全相同的相机/帧对：

• 左列：真实 RAW 模糊输入
• 右列：渲染后的去模糊输出
• 不展示任何 GT、hold 图像、教师模型或替代 checkpoint

2. 完整可视化存档（archive/all_prism3d_visual_artifacts/）

• 包含 605 个文件（PNG、JPEG、JSON、CSV）
• 涵盖 172 张 BPN 卷积核图像及核统计表
• 另有 hold 渲染、RAW/输出图、纵向曲线、receipt 和诊断对比
• 保留了探索性及被拒绝的消融实验，作为来源证据；仅 publication_visuals/ 与 accepted/ 为正式结果

3. 中间变量可视化（intermediate_visuals/prism3d_10k/<scene>/）

每个场景提供四种视图：

• raw_turtle_teacher_ours.png：RAW 输入、实际 Turtle step-24K 教师与输出对比
• raw_evssm_baseline_ours.png：RAW 与输出同 EVSSM 基线对比（EVSSM 非正式教师）
• latent_3d_gaussian_scene.png：PLY 中彩色高斯中心的三个 PCA 对齐投影（非相机渲染）
• gaussian_capacity_dynamics.png：基元数量、克隆/分割/剪枝动作与模糊质量奖励的轨迹

主要量化结果

八场景 10K 已接受结果（accepted/10k/<scene>）

场景	PSNR	SSIM	LPIPS	基元数量
bench	37.313	0.9259	0.0405	379,219
camellia	36.486	0.9347	0.0275	615,891
dragon	40.014	0.9647	0.0233	450,552
jars	38.625	0.9484	0.0304	488,866
jars2	36.641	0.9065	0.0775	360,193
postbox	36.587	0.9298	0.0420	516,129
stone_lantern	38.534	0.9489	0.0544	239,166
sunflowers	38.159	0.9373	0.0754	212,988
平均	37.795	0.9370	0.0464	407,876

每个场景目录包含点云、模糊目标状态、receipt、诊断、BPN 可视化、hold 可视化及 RAW 模糊输入/输出的定性对比。

50K 延续实验（accepted/50k）

• 提供 jars2 与 sunflowers 两场景的纵向 checkpoints
• 最佳 hold PSNR：jars2 在 40K 时为 37.1166，sunflowers 在 50K 时为 40.6213
• receipt 保留了 10K 至 50K 的全部计划指标
• 诊断对比图（summary/sunflowers_raw_10k_base50k_lap02_50k_comparison.png）表明聚合指标可能提升而困难模糊视图在 10K 后出现退化

负消融实验（ablations/rejected_lap02_50k）

• 仅将 Laplacian 权重从 0.1 提升至 0.2
• 50K 结果为：40.3251 PSNR / 0.9536 SSIM / 0.0542 LPIPS，三项指标均低于已接受的 0.1 运行结果
• 保留作为负面证据，并非默认管线

文件完整性与范围

• point_cloud.ply 与 blur_aware_objective.pt 为推理/渲染制品，不含优化器状态，不可恢复训练
• FILE_MANIFEST_SHA256.tsv 是该发布版本的权威路径、大小及 SHA-256 清单
• 数据集的原始图像与 Turtle checkpoint 未在此重新分发

搜集汇总

数据集介绍

构建方式

本数据集为模糊感知的Learn2Splat管线在PRISM3D基准上的工程产物，对应于代码提交74f55e6的agent/blur-aware-cross-dataset分支。数据集系统地整合了多维度实验证据：包括8个场景的10K步接受结果，每个场景均提供点云、模糊目标状态、训练收据、诊断图、BPN卷积核可视化及RAW模糊输入与去模糊输出的定性对比；同时收录50K纵向延续的检查点，记录10K至50K的逐步指标变化；还包含了被否定的消融实验（如增大拉普拉斯权重至0.2）作为负面对照。数据集以严格的目录结构组织，并附带SHA-256文件清单以保障完整性。

特点

该数据集的一大特色在于其忠实呈现了真实模糊输入与模型去模糊输出之间的逐帧对应关系，且未使用清晰真值或教师模型的辅助。同时，它提供了丰富的中间过程可视化，包括PCA对齐的三维高斯中心投影以及高斯容量动态曲线，直观展示了训练过程中图元数量与裁剪/分裂/剪枝操作的变化。此外，数据集明确区分了经过筛选的发表级图表与包含探索性及被拒消融的完整档案，并记录了检查点作用域，强调点云与目标状态仅为推理产物，不作为可恢复的训练状态。

使用方法

使用本数据集时，研究人员可优先参考publication_visuals目录下的RAW与输出对比图像用于定性评估，而accepted目录则提供各场景的量化指标（PSNR、SSIM、LPIPS）与模型产物，便于进行基准测试。对于深入分析，可以查阅intermediate_visuals中的教师模型对比与高斯容量动态图，以理解训练过程中的行为变化。完整档案archive保留了所有实验证据，适合用于溯源或分析被拒的消融实验。需注意，数据不包含原始训练数据集及Turtle检查点，且点云文件不含有优化器状态，不适合直接用于继续训练。

背景与挑战

背景概述

三维场景的逼真重建与实时渲染是计算机图形学与视觉领域共同追求的长期目标，而新兴的3D高斯泼溅（3D Gaussian Splatting）技术凭借其高效的显式表示与卓越的渲染质量，已成为该方向的强劲候选。然而，运动模糊与相机抖动等现实退化因素严重制约了其在非受控环境下的泛化能力，催生了将模糊感知机制融入隐式神经表征的研究趋势。该数据集正是由在视觉表征学习领域深耕的研究团队基于其blur-aware-learn2splat工程管线所创建，核心研究问题在于如何让3D高斯模型主动感知并分离RAW域中的模糊分量，从而实现高质量的新视角合成与去模糊一体化。数据依托PRISM3D基准采集了八类真实场景，配套完整的中间变量图、评估指标与消融档案，为后续从事模糊鲁棒视图合成研究的学者提供了珍贵的可复现平台与工程参照，已在相关子领域产生初步的影响力辐射。

当前挑战

该数据集及其研究范式所面临的核心挑战，首先体现在模糊这一病态逆问题的本质复杂性上，即需分别解决运动去模糊与三维几何一致性之间的相干性；在构建过程中，团队不得不面临高质量模糊对齐帧采集的严格物理条件限制，每一配对视角都需精确保持相机位姿一致，大幅提升了真实数据标注与预处理的难度。其次，训练动态中高斯原语的容量调控与细化策略极易陷入局部优解，在指标提升与视觉细节保真之间维持平衡实属不易。此外，对强模糊场景的泛化存在明显的退化拐点，聚合指标的改善可能掩盖个别视角的回归问题，迫使研究人员设计多尺度对比与负消融机制来诊断模型脆弱性，同时确保每个模型点的谱系可溯源性，均构成了对数据完备性与方法论严谨性的双重挑战。

常用场景

经典使用场景

该数据集是模糊感知的高斯溅射（Gaussian Splatting）管线在PRISM3D基准上的工程产物，主要用于神经渲染与图像去模糊的交叉研究。其经典使用场景包括：对真实RAW模糊输入与模型渲染的清晰输出进行逐像素对比，评估去模糊与新颖视角合成的联合性能；通过提供的点云、模糊目标状态和训练票据，复现从模糊图像序列中重建三维高斯场景的完整过程，支持研究者验证算法在复杂光照和运动模糊下的鲁棒性。

解决学术问题

该数据集直面动态场景中模糊观测与三维重建之间长期存在的矛盾，解决了传统方法在模糊环境下难以同时实现高保真场景表示与清晰视图合成的难题。通过公开多场景的定量指标（平均PSNR 37.795、SSIM 0.9370）和完整的可视化证据，为学术社区提供了可重复的基准，促进了对模糊退化模型、各向异性高斯容量分配以及去模糊-渲染联合优化的深入理解，推动了神经渲染领域向真实世界退化场景的延伸。

衍生相关工作

围绕该数据集已衍生出多个方向的探索性工作，包括非均匀模糊核的显式建模、基于奖励的模糊抑制训练策略，以及跨数据集泛化的实证研究。其中，被拒绝的消融实验（如增大拉普拉斯权重）亦被保留，为后续工作提供了路线警示；相关技术已与Turtle教师网络和EVSSM基线相融合，催生了模糊感知的跨数据集学习方法，并启发了对高斯场景表示压缩与容量动态控制的新一轮研究。