PC2Model benchmark

PC2Model是由ISPRS领导的国际工作组开发的混合型基准数据集，旨在推动点云与三维模型配准技术的研究。该数据集包含137个样本，涵盖机械零件、家具、房屋等七大类对象，融合了模拟点云（基于ABC、ModelNet等公开模型库生成）和真实激光扫描数据（来自ISPRS室内建模数据集）。模拟数据提供精确的配准真值，而真实数据引入噪声、遮挡等实际扫描伪影，支持跨域算法评估。数据集通过控制扫描角度、距离等参数模拟密度变化，并包含刚性变换矩阵，适用于建筑监测、自动驾驶等领域的鲁棒性算法开发。

原始信息汇总

数据集概述：PC2Model

PC2Model 是一个面向三维点云到模型配准任务的公开基准数据集，由 ISPRS ICWG II/Ib 工作组主导开发，并获得了 ISPRS 2025 科学倡议的资助。该数据集旨在支持经典方法和基于深度学习的配准方法的训练与评估。

数据集规模与构成

PC2Model 总共包含 137 个样本，覆盖七个类别：

数据来源	类别	样本数量
仿真数据	机械物体	25
仿真数据	家具	25
仿真数据	家居装饰	25
仿真数据	房屋	25
仿真数据	车辆	25
仿真数据	室内空间	6
真实数据	室内空间	6

每个样本包含：

• 一个 .obj 格式的三维模型文件。
• 一个对应的 .e57 格式的变换后点云文件。
• 一个 .txt 格式的点云到模型的真实变换矩阵。

数据集设计

• 仿真数据生成：仿真点云通过集成在 Blender 中的 Helios++ 插件生成，模拟了 Leica ScanStation P40 地面激光扫描仪的参数，并加入了混合像素、噪声、遮挡和点密度变化等真实扫描伪影。
• 模型来源：三维模型源自公开数据集和仓库，包括 ABC、ModelNet40、Fusion 360 Gallery Dataset、Thingi10K、Sketchfab 以及 ISPRS 室内建模基准数据集。

变换参数

每个点云都应用了刚体变换作为配准算法的真实值，变换包括：

• 旋转： 绕各轴的角度在 [0°, 360°] 范围内。
• 平移： 各轴的平移因子在 [-5, 5] 乘以点云范围之间。
• 缩放： 以 50% 的概率应用，缩放因子在 [0.5, 1.5] 范围内。

评估指标

评估配准性能的指标包括：

• 准确度 (LOA，Level of Accuracy)： 配准后点云与模型表面之间最邻近点距离的平均值和中间值。
• 覆盖度 (LOC，Level of Coverage)： 在预设距离阈值内，被点云覆盖的模型表面采样点的比例。
• 变换误差： 包含归一化平移误差和旋转误差。

文件与许可

• 文件： 数据集以单个压缩包 PC2Model_v1.4.zip 提供，大小为 10.2 GB。
• 许可协议： 采用 Creative Commons Attribution 4.0 International 许可。
• DOI： https://doi.org/10.5281/zenodo.17581812

搜集汇总

数据集介绍

构建方式

PC2Model benchmark数据集由ISPRS下属的ICWG II/Ib工作组主导开发，旨在为点云到三维模型的配准任务提供标准化的训练与评测平台。数据集采用混合设计策略，涵盖137个样本，分为六个模拟类别（机械物体、家具、家居装饰、房屋、车辆、室内空间）与一个真实室内扫描类别。模拟点云通过Helios++激光扫描仿真引擎生成，基于Leica ScanStation P40的参数配置，并利用Blender插件实现扫描场景的直观布置与自动化输出。真实数据则来源于ISPRS室内建模基准中的激光扫描点云。每个样本均提供三维模型、经随机刚体变换后的点云及对应的变换矩阵，以此作为配准算法的真值。

特点

该数据集的显著特征在于其混合架构，兼顾了模拟数据的可控性与真实数据的复杂性。模拟点云具备精确的真值对齐和可调节的采集条件，而真实扫描则自然引入噪声、杂波、遮挡及密度不均等传感器与环境的干扰因素。这种设计不仅支持跨域鲁棒训练与评估，还为系统研究从模拟到真实场景的模型迁移能力提供了可能。此外，数据集涵盖了从微型机械到大规模房屋的多样化物体，点云规模从数十万点到数千万点不等，初始变换采用随机的大范围旋转与相对平移，对配准算法的泛化性与初始偏差容忍度提出了严峻挑战。

使用方法

使用PC2Model benchmark时，研究者可将待评估的点云配准算法应用于每一样本，以模型表面作为参考，将变换后的点云重新对齐至原始模型。推荐的基线方法为迭代最近点（ICP）算法，其配准结果可作为性能比较的基准。评估体系包括三个维度：配准精度以点云到模型表面的平均与中位距离（LOA）衡量，空间完整性通过覆盖率（LOC）表征，变换参数误差则从旋转与平移分量分别计算。数据集已公开在Zenodo平台，附属的Blender插件与Helios++仿真配置文件亦托管于GitHub，便于用户复现和扩展扫描场景。

背景与挑战

背景概述

随着三维感知技术的飞速发展，激光雷达与结构光扫描等设备已能够大规模获取真实世界的稠密几何表达，从而推动了从建筑监测、自动驾驶到机器人学等领域的深刻变革。在这一背景下，点云配准作为整合多模态数据的关键技术，其研究重心正逐步从传统的点云间配准延伸至点云与三维模型间的配准任务。然而，现有数据集大多服务于点云间配准，鲜有专门针对点云—模型配准设计的公开基准。为此，由国际摄影测量与遥感学会（ISPRS）ICWG II/Ib工作组主导，Mehdi Maboudi、Said Harb等研究人员于2025年创建了PC2Model基准数据集。该数据集包含137个样本，涵盖机械物体、家具、房屋、车辆等七大类，采用模拟点云与真实扫描相结合的设计，旨在为经典算法与深度学习方法提供统一的训练与评估平台。其公开性与系统性填补了该领域评估工具的空白，对推动点云—模型配准的算法泛化与跨域迁移研究具有重要影响力。

当前挑战

PC2Model数据集所聚焦的点云—模型配准任务面临多重挑战。首先，真实世界扫描获得的点云常受稀疏性、噪声、杂波与遮挡等问题的困扰，这使得现有数据驱动方法在泛化能力上表现受限，难以从模拟环境平滑迁移至真实场景。其次，在数据集构建过程中，需克服模拟与现实之间的鸿沟：模拟数据虽能提供精确的真值与受控条件，但真实扫描引入的传感器与环境伪影（如光束发散、混合像素、点密度不均）必须被系统性地复现与调控，以达到近似真实的效果。此外，数据集中样本规模达137个，涵盖七类迥异的几何形态与尺度，点云点数最高可达千万级，这给配准算法在高维空间中的鲁棒性、计算效率以及应对大幅初始错位的能力提出了严苛的要求。

常用场景

经典使用场景

PC2Model benchmark 数据集专为点云与三维模型之间的配准任务而设计，其最经典的使用场景在于评估和训练从模拟到真实环境下的配准算法。该数据集包含137个样本，涵盖机械物体、家具、家居装饰、房屋、车辆、室内空间等七大类，并融合了模拟点云与真实扫描数据。通过提供精确的ground truth变换矩阵，研究者能够系统性地验证诸如ICP、Go-ICP、NDT等经典方法以及DCP、PointNetLK等深度学习方法的配准精度与鲁棒性，尤其适用于分析算法在稀疏、噪声、遮挡及不同点密度条件下的泛化表现。

衍生相关工作

PC2Model benchmark 的发布已催生了若干衍生研究工作。基于其提供的标准化评估框架，研究者改进了传统ICP算法中对应点搜索效率问题，提出了结合光线投射对应（RCC）的增强型ICP变体。同时，该数据集推动了基于混合密度网络的配准方法发展，通过引入注意力机制处理点云噪声与遮挡。此外，PC2Model还作为基准平台，支撑了从模拟到真实场景迁移学习的研究，例如利用域随机化策略在合成数据上训练深度配准网络，其后在真实室内场景数据上验证其零样本泛化能力，显著拓展了数据驱动方法在实际工程中的适用边界。

数据集最近研究

最新研究方向

PC2Model基准数据集的发布标志着三维点云与模型配准领域迈入了一个系统化、高质量评估的新阶段，其前沿研究方向之一聚焦于弥合仿真数据与真实世界场景之间的领域鸿沟。该数据集通过精心设计的混合架构，融合了基于Helios++高保真仿真器生成的受控点云与真实激光扫描数据，并系统性地引入了噪声、遮挡、混合像素及密度变化等现实伪影，从而为评估配准算法在从理想条件向复杂真实环境迁移时的鲁棒性与泛化能力提供了关键支撑。这一特性直接响应了深度学习配准方法在稀疏、杂乱点云中性能受限的痛点，推动了诸如领域自适应、模拟到现实（Sim-to-Real）迁移学习等前沿研究。此外，该基准采用多种几何精度（LOA）与空间完整性（LOC）指标，并定义了标准化的变换误差评估协议，为公平比较经典算法（如ICP、NDT）与新兴学习范式（如DCP、PointNetLK）设立了权威标杆。作为ISPRS主导的公开资源，PC2Model不仅为建筑监测、自动驾驶与增强现实等下游任务提供了可靠验证平台，更通过其大规模、多样化的137个样本，激励研究者探索对多类别、多尺度及大初始位姿偏移场景的通用配准策略，其深远意义在于催化了从特定物体位姿估计迈向通用点云-模型配准科学范式的跃迁。

相关研究论文

• PC2Model: ISPRS benchmark on 3D point cloud to model registration

  布伦瑞克工业大学·大地测量与摄影测量研究所; 墨尔本大学·基础设施工程系; 俄勒冈州立大学·土木与建筑工程系 · 2026年