ShapeNetSDF

ShapeNetSDF是一个从ShapeNet Core衍生而来的有符号距离场点样本数据集，专为训练和评估3D形状上的隐式神经表示（神经场）而设计。该数据集将每个3D形状转换为水密流形，归一化到单位立方体[-1, 1]³内，并采样生成三种点集：uniform（在[-1,1]³内均匀采样的262144个点及其精确SDF值，用于监督自由空间中的场）、surface（在网格表面附近添加高斯噪声采样的262144个点，其SDF值接近但不完全为零，用于表面附近的训练）和groundtruth（精确的表面点，SDF值约为零，用于评估，如表面重建）。每个点样本存储为一个形状为[262144, 4]的float32数组，包含x, y, z坐标和有签距离值（SDF）。数据集包含51个常见的3D对象类别（如椅子、桌子、飞机等），总大小约为512 GB。数据按类别组织，并提供了训练/验证/测试分割（约80%/10%/10%）以及用于快速实验的精选子集。数据集遵循ShapeNet的使用条款，仅限非商业研究使用。ShapeNetSDF is a signed distance field point sample dataset derived from ShapeNet Core, specifically designed for training and evaluating implicit neural representations (neural fields) on 3D shapes. The dataset converts each 3D shape into a watertight manifold, normalizes it within the unit cube [-1, 1]³, and samples three types of point sets: uniform (262144 points uniformly sampled within [-1,1]³ with exact SDF values, for supervising the field in free space), surface (262144 points sampled with Gaussian noise near the mesh surface, with SDF values close but not exactly zero, for training near the surface), and groundtruth (exact surface points with SDF values approximately zero, for evaluation such as surface reconstruction). Each point sample is stored as a float32 array with shape [262144, 4], containing x, y, z coordinates and the signed distance value (SDF). The dataset includes 51 common 3D object categories (e.g., chairs, tables, airplanes, etc.), with a total size of approximately 512 GB. Data is organized by category and provides train/validation/test splits (approximately 80%/10%/10%) as well as curated subsets for quick experimentation. The dataset follows ShapeNets terms of use and is limited to non-commercial research purposes.

原始信息汇总

数据集概述

ShapeNetSDF 是一个从 ShapeNet Core 导出的带符号距离场（SDF）点样本数据集，主要用于训练和评估三维形状上的隐式神经表示（Neural Fields / Implicit Neural Representations）。

数据规模与结构

• 数据总量：约 512 GB。
• 类别数量：51 个类别，包括 airplane, chair, table, car, bed 等常见物体，以及一个汇总所有类别的 all/ 文件夹。
• 单个模型：每个 ShapeNet 模型被转换为水密流形，并归一化到单位立方体 [-1, 1]³ 内。
• 点集类型：每个模型包含三个点集，每个点集存储为一个 [N, 4] 的 float32 数组，四列分别代表 x, y, z 坐标和 SDF 值（负内正外）：
  • uniform：均匀采样点，共 262,144 个（64³），用于监督自由空间的场。
  • surface：添加高斯噪声的近表面采样点，SDF 值接近零，用于表面附近训练。
  • groundtruth：精确的表面点，SDF ≈ 0，用于评估（如表面重建、Chamfer 距离、IoU）。

数据集目录结构

ShapeNetSDF/ ├── <category>/ # 51 个类别文件夹 │ ├── uniform/<model_id>.npy │ ├── surface/<model_id>.npy │ ├── groundtruth/<model_id>.npy │ ├── train.txt # ~80% 划分 │ ├── val.txt # ~10% 划分 │ └── test.txt # ~10% 划分 ├── all/ # 跨所有类别的汇总 │ ├── uniform/ surface/ groundtruth/ │ ├── train.txt / val.txt / test.txt # 全局划分（种子 42） │ ├── 10k10c.txt / 5k10c.txt / 5k5c.txt / 100_5c.txt # 精选子集（模型数量_类别数c） │ └── labels.json # 类别 ↔ 模型ID 映射 └── README.md

数据划分

• train.txt / val.txt / test.txt：每个类别文件夹及 all/ 文件夹均包含，比例为 ~80% / 10% / 10%（种子 42）。
• 精选子集（位于 all/ 下）：
  • 10k10c.txt, 5k10c.txt, 5k5c.txt, 100_5c.txt：用于快速实验的少量模型和类别组合。

创建方法

1. 从 ShapeNet Core 获取原始模型（models/model_normalized.obj）。
2. 使用 point_cloud_utils 将网格转换为水密流形。
3. 归一化到以原点为中心的单位立方体内（缩放比例为最大顶点距离的 0.98）。
4. 采样 uniform、surface（含噪声）和 groundtruth 点集。
5. 计算每个点的带符号距离，保存为 [N, 4] 的 float32 数组。
6. 处理过程基于 model_id 设定随机种子，确保可复现。

许可证

该数据集衍生自 ShapeNet，使用需遵守 ShapeNet 使用条款，仅限非商业研究用途。

搜集汇总

数据集介绍

构建方式

ShapeNetSDF数据集源自ShapeNet Core，旨在为隐式神经表征与神经场在三维形状上的训练与评估提供支撑。针对每一个ShapeNet模型，首先通过点云处理工具将其网格转换为水密流形，并归一化至以原点为中心的单位立方体[-1,1]³内。随后，基于该流形抽取三组点集：均匀点集、含噪声的表面附近点集以及精确表面点集，并分别计算每个点的符号距离函数值。最终，每个点集存储为[N, 4]的float32数组，包含三维坐标与其对应的SDF值，从而构建出一个确定性的、可复现的处理流程。

特点

该数据集覆盖51个语义类别，包括椅子、桌子、飞机等常见三维物体，总数据量约512 GB，是研究三维形状隐式表示的珍贵资源。每个模型提供三种视角的点云采样：均匀点集用于监督空间场，表面加噪点集贴近真实推理场景，精确表面点集专为评估曲面重建质量而设计。数据集内置于类别与全局两种划分体系，并提供如5k5c、10k10c等精选子集，便于快速实验与模型调优，其标签映射文件更大大便利了多类别研究。

使用方法

使用ShapeNetSDF时，可通过Hugging Face Hub的hf_hub_download函数直接下载单个形状的npy文件，加载后即得包含坐标与SDF值的数组；亦可利用snapshot_download按类别或按拆分规则批量拉取数据至本地。下载后的点云数据可直接作为神经网络的输入，通过均匀点集的SDF学习全局场，利用表面点集细化表面附近细节，并以精确点集计算Chamfer距离或IoU等指标评估重建效果。数据拆分文件如train.txt、val.txt与test.txt提供了标准化的训练、验证与测试划分，使得实验设置更为高效与统一。

背景与挑战

背景概述

ShapeNetSDF数据集由瑞士洛桑联邦理工学院（EPFL）的IVRL实验室于2026年创建，主要研究人员包括Zhuoqian Yang、Mathieu Salzmann和Sabine Süsstrunk，其核心研究问题是为隐式神经表示（如神经场）提供高质量的带符号距离场（SDF）三维形状样本。该数据集基于ShapeNet Core生成，通过将原始网格转换为水密流形并归一化至单位立方体[-1,1]³，再采样三类点集（均匀、近表面、精确表面），为三维形状的隐式建模提供了标准化训练与评估基准。ShapeNetSDF填补了三维领域缺乏大规模、多样化SDF标注数据集的空白，推动了神经场在形状重建、表示学习与生成任务中的发展，成为该领域的重要参考资源。

当前挑战

ShapeNetSDF所解决的领域问题在于为隐式神经表示提供可可靠的三维SDF监督信号。传统点云或网格数据难以直接支持神经网络学习连续几何场，而该数据集通过水密化处理与精确距离计算，克服了原始ShapeNet模型非流形或空洞导致的数值不稳定挑战。在构建过程中，主要挑战包括：1）自动化水密转换的鲁棒性，需确保所有51类形状均生成无自相交的封闭曲面；2）大规模数据存储与分发，512GB的总大小对下载与本地处理提出了效率要求；3）点集采样策略的设计，需平衡均匀覆盖与表面细节捕获，例如表面点添加高斯噪声以模拟真实训练场景。这些挑战的解决使得数据集在后续研究中具有高复现性与实用性。

常用场景

经典使用场景

ShapeNetSDF数据集是面向隐式神经表示与神经场学习的经典基准资源。它从ShapeNet Core中精选51个类别的三维模型，经水密网格转换、单位立方体归一化后，为每个形状提供均匀采样、近表面扰动与精确表面三种类型的符号距离场点样本。研究者通常利用该数据集的均匀点集在自由空间中监督场值，借助表面扰动点集强化决策边界附近的拟合能力，并通过精确表面点集评估重建精度，成为训练和评测Occupancy Networks、DeepSDF等隐式三维表征方法的标准化数据平台。

衍生相关工作

基于ShapeNetSDF涌现出系列标志性工作。DeepSDF首次将SDF点样本作为监督信号，训练解码器泛化至未见类别，一举确立了隐式场做形状表征的可行性。ConvONet引入空间二维网格卷积，利用SDF表面标签实现更高效的局部特征编码。IM-NET则通过该数据集验证了隐式场的双向映射能力。后续的Occupancy Networks与Neural Pull更进一步，借鉴该数据集的均匀与近表面采样策略，催生出无网格三维重建与点云补全的新范式，推动隐式表征逐渐成为三维视觉的标准工具箱。

数据集最近研究

最新研究方向

ShapeNetSDF数据集为隐式神经表示与神经场的研究提供了标准化的有符号距离场采样数据，当前前沿方向聚焦于利用该数据集训练神经场以完成三维形状的重建、生成与编辑。结合CVPR 2026的权重空间表示学习工作，该数据集推动了神经场在跨类别形状泛化与权重空间特征学习中的研究，尤其是在多类别协同建模与分辨率鲁棒性方面展现出重要价值。其提供的水密流形与均匀/表面/真值三套点采样，使得研究者能够精细监督自由空间与表面区域的场学习，成为评估隐式表示在点云重建和形状补全等任务中性能的关键基准。随着基于扩散模型的三维生成和神经辐射场发展的兴起，ShapeNetSDF作为大规模、类别丰富的SDF数据资源，持续支撑着从条件生成到无监督形状理解的前沿探索。