KCBtheone/splatatlas-core

SplatAtlas核心包是NeurIPS 2026匿名提交的一部分，是一个包含31种方法和31个场景的3D高斯泼溅基准测试。该核心包是轻量级的，包含用于论文图表和表格的聚合CSV/JSON源数据、审计摘要、Croissant元数据、包装器模板以及将大型运行工件映射到配套运行包的清单。大型PLY/检查点工件不在此处重复存储，而是存储在运行包中作为存档对。

The SplatAtlas Core Bundle is part of the anonymous NeurIPS 2026 submission, serving as a 3D Gaussian Splatting benchmark over 31 methods and 31 scenes. This lightweight core bundle contains aggregated CSV/JSON source data for paper figures and tables, audit summaries, Croissant metadata, wrapper templates, and manifests that map large run artifacts to the companion runs bundle. Large PLY/checkpoint artifacts are not duplicated here but are stored in the runs bundle as archive pairs.

搜集汇总

数据集介绍

构建方式

SplatAtlas Core Bundle 是面向 NeurIPS 2026 匿名投稿中 3D 高斯泼溅（3D Gaussian Splatting）基准测试的轻量级核心数据包，覆盖 31 种方法在 31 个场景上的系统评估。该数据集通过分层聚合机制构建：先为每个方法-场景单元生成点云存档与运行状态存档，再通过 CSV 和 JSON 文件汇总关键指标。核心包仅保留实验日志、元数据清单与图表来源映射，而大型 PLY 点云和检查点文件则存储于配套的运行包中，通过 manifest 清单实现跨包关联。这种设计既满足审稿人对论文图表和数据审计的快速检查需求，又避免冗余存储，确保基准测试的可复现性与可扩展性。

特点

该数据集的核心特点在于其模块化与轻量化架构，通过核心包与运行包的分离，极大提升了审阅效率。数据内容涵盖丰富的结构化信息，包括 31×31 方法-场景对的点云与运行存档映射、论文所有图表与表格的源文件索引、以及包装器模板和配置样例。此外，数据集提供详尽的审计日志、缺失报告和文件清单，支持对动态结构、种子方差、可靠性检验等多维分析。特别地，数据集记录了已知的方法失败案例和高种子方差异常值，为后续研究提供了宝贵的负面参考。

使用方法

使用 SplatAtlas Core Bundle 时，研究者应首先通过 manifests 目录下的清单文件定位所需的实验存档，运行包中的点云存档可用于渲染轨迹与高斯场可视化，运行状态存档则提供标量轨迹、时序文件和审计日志。核心包内的 CSV 和 JSON 文件可直接用于复现论文图表，例如通过 per_cell_metrics_long.csv 分析方差归因。对于新增方法，研究者需遵循提供的包装器模板结构，在 wrapper_templates 目录下创建方法包装器和 YAML 配置文件，并统一接口以对接已定义的训练、评估和检查点模块，从而无缝集成到基准测试体系中。

背景与挑战

背景概述

在三维计算机视觉与图形学领域，基于三维高斯泼溅（3D Gaussian Splatting）的场景重建与渲染技术近年来取得了显著进展，但其评估体系尚缺乏统一性与全面性。为此，匿名团队（HuggingFace ID: KCBtheone）在NeurIPS 2026提交了SplatAtlas数据集与基准测试，创建于2025年，旨在系统性评估31种方法在31个场景上的性能。该数据集由轻量级核心包（splatatlas-core）与大规模运行包（splatatlas-runs）构成，核心包聚合了用于论文图表与表格的CSV/JSON源数据、审计摘要、Croissant元数据、包装模板及大文件清单，而运行包则存储了大规模实验归档文件（包括高斯场点云与轨迹等）。SplatAtlas通过统一的评估协议和细粒度的度量体系（如PSNR、SSIM、LPIPS、SH能量比、透明度病理率等），为三维高斯泼溅领域的公平比较与可重复性研究奠定了重要基础，有望成为该领域的标准基准。

当前挑战

SplatAtlas数据集所解决的领域问题是三维高斯泼溅方法的系统化评估与公平比较，其核心挑战包括：第一，现有评估指标多集中于渲染质量（如PSNR），而缺乏对动态结构特征（如致密化窗口效应、种子方差、SH损失行为）的系统刻画，SplatAtlas通过引入多维剖面（如反事实分析、轨迹UMAP聚类）弥补了这一缺口。第二，方法间的巨大异质性（如栅格化后端差异、检查点格式不统一）给大规模统一评估带来困难，SplatAtlas通过包装模板和统一度量日志接口解决了这一问题，但仍需注意部分方法在特定场景（如erankgs与LEGO组合）存在已知失败，且统一gsplat后端与原生栅格化器之间的排名一致性需作为可靠性检验。第三，构建过程中面临大规模数据管理挑战，核心包与运行包分离设计虽避免了重复存储，但需通过详细清单（如runs_archive_manifest.tsv）准确映射方法-场景对与归档文件，并处理缺失归档报告，确保审计与验证的完整性。

常用场景

经典使用场景

在三维视觉与图形学领域，SplatAtlas Core Bundle作为一项面向3D高斯溅射（3D Gaussian Splatting）方法的综合性基准测试套件，其经典使用场景聚焦于大规模方法对比与重现性验证。该数据集覆盖31种前沿方法在31个多样化场景下的表现，通过整理聚合的CSV与JSON数据源，为研究者提供用于论文图表与表格的标准化材料。其轻量级核心包设计允许审稿人与研究人员快速检查关键指标，如PSNR、SSIM、LPIPS等图像质量度量，同时借助清单文件映射至存储完整轨迹、检查点与高斯场的大型运行包。这种分层架构既保障了数据可获取性，又避免了冗余存储，成为评估与再现3D高斯溅射方法性能的标杆性基准。

衍生相关工作

SplatAtlas Core Bundle的发布催生了多项延伸工作，尤其在基准扩展与方法学改进方面。其模块化包装模板与配置机制，为后续研究提供了标准化接口，使得新增方法能够直接融入既定评估框架，进而衍生出一系列专注于高斯溅射初始化策略、密度控制窗口效应和球形谐波损失分析的工作。该数据集涵盖的相位级联（phase3）元数据，包括轨迹特征、UMAP聚类与文献类别标注，启发了对训练动力学与结构化正则化的深层探索。同时，其所揭示的已知问题单元格（如erankgs×LEGO）和离群案例，已成为针对性优化研究的重要起点，推动了领域内对失败模式与稳健性的系统性认知。

数据集最近研究

最新研究方向

SplatAtlas Core Bundle作为面向3D高斯泼溅（3D Gaussian Splatting）领域的权威基准，标志着该方向从方法零散评估迈向系统性测评的关键转折。该数据集横跨31种方法×31个场景，结合可复现的轻量级核心包与配套运行归档，为NeurIPS 2026等前沿会议提供了标准化性能比较平台。研究焦点正从单纯追求PSNR/SSIM等渲染指标，转向评估模型在种子方差、不透明度病理率、球谐函数能量比等动态结构特征上的鲁棒性与可解释性。尤其在数字孪生与神经渲染热点事件中，该基准通过构建统一评估管线，揭示了方法-场景特异性失效模式（如erankgs×LEGO细胞），推动了可审计、可对比的透明科研范式，对几何重建、新视角合成及3D视觉基础模型的发展具有深远影响。