zmrr/SweepNetDataset

SweepNet数据集包含三个部分：Neural Sweeper Dataset、GC-Object Dataset和Quadrupeds Dataset。Neural Sweeper Dataset包含20,000个扫掠表面样本，用于训练神经扫掠器，数据集结构包括控制点、扫掠表面参数、可视化轴、剖面、扫掠表面结果、关键点和扫掠表面占用场。GC-Object Dataset包含50个从互联网和先前工作中采样的广义圆柱特征对象，提供了处理后的3D模型，包括Oracle模型、重建的体素模型、骨架模型和表面点云。Quadrupeds Dataset来自Tulsiani等人的工作，用于基准测试SweepNet，提供了处理后的数据，包括Oracle模型、骨架模型和表面点云。The SweepNet dataset consists of three sub-datasets: the Neural Sweeper dataset, the GC-Object dataset, and the Quadrupeds dataset. The Neural Sweeper dataset contains 20,000 sweep surface samples for training the neural sweeper, with sweep surfaces provided for 3, 4, and 5 control points. The GC-Object dataset includes 50 generalized cylinder-featured objects sampled from the internet and prior works. The Quadrupeds dataset is used from Tulsiani et al.s work for benchmarking SweepNet. All datasets are preprocessed.

原始信息汇总

SweepNet Dataset

概述

• 包含三个数据集，用于SweepNet的研究。
• 其中一个数据集包含20,000个用于神经清扫器训练的扫描表面样本。
• 另外两个数据集用于定量评估。

Neural Sweeper Dataset

• 包含20,000个扫描表面样本，用于训练神经清扫器。

• 提供3、4和5个控制点的扫描表面。

• 数据结构如下：

  neuralSweeperData/ ├── control_point_i/ │ ├── sweep_surface_index/ │ │ ├── parameterse.txt # 扫描表面参数 │ │ ├── bspline.ply # 可视化的扫描轴 │ │ ├── sample_profile.obj # 可视化的轮廓 │ │ ├── result_sweep.ply # 扫描表面 │ │ ├── manifold_points.npy # 扫描表面上的关键点 │ │ ├── sweep_occupancy_v1.npy # 扫描表面的占用场

GC-Object Dataset

• 包含50个从互联网和先前工作中采样的广义圆柱体特征对象。

• 提供处理后的3D模型。

• 数据结构如下：

  GC_objects/ ├── model name/ │ ├── oracle.obj # Oracle 3D模型（非输入） │ ├── voxel_64_mc.off # 从输入体素重建的3D模型 │ ├── skeletal_prior.ply # 模型骨架 │ ├── model_surface_point_cloud.ply # 用于点云输入模式的表面点云 ├── test_names.npz # 所有模型名称列表 ├── voxel2pc.hdf5 # 用于训练的模型体素和占用场 ├── ae_voxel_points_samples.hdf5 # 仅用于测试的模型体素和占用场

Quadrupeds Dataset

• 使用Tulsiani et al.的四足动物数据集来基准测试SweepNet。

• 提供处理后的数据。

• 数据结构如下：

  quadrupeds/ ├── model name/ │ ├── oracle.obj # Oracle 3D模型（非输入） │ ├── skeletal_prior.ply # 模型骨架 │ ├── model_surface_point_cloud.ply # 用于点云输入模式的表面点云 ├── test_names.npz # 所有模型名称列表 ├── voxel2pc.hdf5 # 用于训练的模型体素和占用场 ├── ae_voxel_points_samples.hdf5 # 仅用于测试的模型体素和占用场

搜集汇总

数据集介绍

构建方式

在三维几何建模领域，SweepNet数据集的构建体现了对扫掠曲面生成任务的系统性探索。该数据集的核心部分包含20,000个扫掠曲面样本，专门用于训练神经扫掠器。这些样本根据控制点数量（3、4、5个）进行组织，每个样本均提供了扫掠参数、可视化轴线、剖面、最终曲面、流形关键点以及占据场等多种结构化数据文件，为深度学习模型提供了丰富的几何与拓扑信息。

特点

该数据集的一个显著特点是其多模态与多用途的复合结构。它不仅包含用于模型训练的大规模合成扫掠曲面，还整合了来自互联网和先前工作的GC-Object数据集，以及用于基准测试的Quadrupeds数据集。每个子数据集均提供了原始模型、体素表示、骨架先验、表面点云及占据场等多种数据形态，支持从体素、点云到完整网格的不同输入模态研究，为三维形状分析与生成提供了全面的评估基准。

使用方法

研究人员可利用该数据集进行三维形状的表示学习与生成建模。对于神经扫掠器的训练，可直接使用neuralSweeperData中的扫掠曲面及其对应参数与占据场。在进行定量评估时，GC-Object与Quadrupeds数据集提供了预处理好的体素、点云和骨架数据，可用于模型重建、分解或形状补全等任务的性能评测。数据以标准文件格式存储，便于通过相应代码库加载并进行下游任务的应用。

背景与挑战

背景概述

SweepNetDataset由zmrr等人于2024年构建，其核心研究聚焦于三维几何建模中的扫掠曲面生成与广义圆柱体对象重建问题。该数据集作为SweepNet方法的关键支撑，旨在通过大规模合成扫掠曲面样本及整合真实世界对象数据，推动基于学习的参数化曲面建模技术发展。其构建融合了来自互联网及先前研究如OreX、GCD的模型资源，为三维形状分析、逆向工程及计算机辅助设计领域提供了重要的基准数据，促进了神经网络在几何生成任务中的应用探索。

当前挑战

该数据集致力于解决三维形状重建与参数化建模中的核心挑战，即如何从点云或体素等离散输入中准确恢复连续、结构化的扫掠曲面表示，这涉及复杂的几何推理与拓扑保持。在构建过程中，挑战包括大规模合成数据的真实性与多样性平衡，需确保扫掠曲面参数分布的合理性；同时，整合异构来源的广义圆柱体对象时，面临数据格式统一、质量校准及标注一致性问题，以维持评估基准的可靠性与可比性。

常用场景

经典使用场景

在计算机图形学与三维几何建模领域，SweepNet数据集为神经扫掠表面生成提供了关键训练与评估资源。该数据集的核心应用场景在于训练神经网络模型，以从稀疏控制点或体素输入中重建复杂的三维扫掠表面，例如通过20,000个扫掠表面样本，模型能够学习扫掠操作的几何规律，实现从参数化表示到完整曲面网格的精确转换。这一过程通常涉及对扫掠轴、轮廓曲线及占据场的联合优化，为自动化三维形状合成奠定了数据基础。

实际应用

在实际工业与创意设计流程中，SweepNet数据集能够辅助实现高效的三维模型逆向工程与自动化建模。例如，在机械零件设计或生物形态仿真中，系统可利用该数据集训练的模型，快速从扫描得到的点云数据中重建出光滑的扫掠表面，进而生成可用于制造或动画的CAD模型。这种能力显著缩短了从概念到几何实体的迭代周期，为产品设计、数字孪生及虚拟现实内容创作提供了技术支撑。

衍生相关工作

围绕该数据集衍生的经典工作主要包括SweepNet本身及其相关评估框架。这些研究拓展了神经扫掠在三维形状分解与重建中的应用，例如结合OreX、GCD等先验数据集进行广义圆柱体识别，或借鉴Tulsiani等人的四足动物数据集进行形状基元提取的对比实验。后续工作可能进一步探索多模态输入下的扫掠表面生成，或将扫掠表示整合到更庞大的生成式模型中，以推动三维人工智能的边界。