3DGS-QA Dataset

3DGS-QA数据集是第一个专门针对3D高斯泼溅的大规模主观质量评估数据集，包含15个不同对象类别和225个覆盖5种主要失真类型的退化重建模型，每个退化模型都提供了平均意见分数。失真类型包括减少视角、有限训练、点下采样、空间噪声和颜色扰动。The 3DGS-QA Dataset is the first large-scale subjective quality assessment dataset specifically tailored for 3D Gaussian Splatting. It includes 15 distinct object categories and 225 degraded reconstruction models covering 5 major distortion types, with Average Opinion Scores (MOS) provided for each degraded model. The five distortion types are reduced viewing angles, limited training, point downsampling, spatial noise, and color perturbation.

原始信息汇总

3DGS-QA 数据集概述

数据集简介

3DGS-QA 是首个针对 3D 高斯泼溅（3DGS）渲染内容的大规模主观质量评估数据集，系统研究了不同重建条件下 3DGS 内容的感知质量。

数据集构成

源模型

• 包含 15 个不同的物体类别

退化模型

• 包含 225 个退化重建模型
• 涵盖 5 种主要失真类型

主观评分

• 每个退化模型均提供平均意见得分（MOS）

失真类型

• 减少视角
• 有限训练
• 点云下采样
• 空间噪声
• 颜色扰动

数据获取

下载平台

• Hugging Face：https://huggingface.co/datasets/dyn2024/3DGS-QA/
• 百度网盘：https://pan.baidu.com/s/1PE4SGKh9A_pDX7E0VuxjtA?pwd=1234

相关研究

无参考质量预测模型

• 直接在原生 3D 高斯基元上操作
• 无需渲染图像或真实参考
• 以结构感知方式估计感知质量

代码状态

• 代码目前正在准备中
• 将在论文正式发表前提供代码库

引用信息

latex @inproceedings{wan2026perceptual, title={Perceptual Quality Assessment of 3D Gaussian Splatting: A Subjective Dataset and Prediction Metric}, author={Wan, Zhaolin and Diao, Yining and Xu, Jingqi and Wang, Hao and Li, Zhiyang and Fan, Xiaopeng and Zuo, Wangmeng and Zhao, Debin}, booktitle={Proceedings of the AAAI conference on artificial intelligence}, year={2026} }

搜集汇总

数据集介绍

构建方式

在三维重建技术快速发展的背景下，3DGS-QA数据集的构建采用了系统化的主观质量评估方法。该数据集基于15个不同物体类别，通过引入五种主要失真类型，包括视角减少、训练限制、点云下采样、空间噪声和颜色扰动，生成了225个退化重建模型。每个模型均经过严格的主观实验，收集了平均意见分数作为质量标注，确保了数据集的全面性和可靠性。

特点

作为首个专注于3D高斯泼溅技术的大规模主观质量评估数据集，3DGS-QA涵盖了多样化的物体类别和失真条件。其独特之处在于提供了丰富的失真样本和对应的主观评分，能够有效反映不同重建条件下的感知质量变化。数据集的高质量和系统性设计为三维视觉领域的质量研究奠定了坚实基础。

使用方法

该数据集可通过Hugging Face或百度网盘公开获取，支持研究人员直接下载使用。用户可基于提供的退化模型和主观分数，开展三维重建质量的客观度量算法验证与比较。同时，数据集为无参考质量预测模型的开发提供了重要基准，有助于推动三维内容感知评估技术的进步。

背景与挑战

背景概述

随着三维重建技术的快速发展，3D高斯泼溅（3DGS）作为新兴的神经渲染方法，在实时高保真场景建模领域展现出巨大潜力。2026年由哈尔滨工业大学等研究机构联合发布的3DGS-QA数据集，首次系统性地针对3DGS渲染内容构建了主观质量评估体系。该数据集涵盖15类物体场景的225组退化重建模型，通过平均意见得分量化不同失真条件下的感知质量，填补了三维重建领域缺乏标准化质量评估基准的空白，为计算机视觉与图形学交叉研究提供了重要支撑。

当前挑战

在三维视觉质量评估领域，如何准确量化非结构化点云数据的感知质量仍是核心难题。3DGS-QA数据集构建过程中需解决多维度挑战：其一对五种典型失真类型（视角缩减、训练不足、点采样、空间噪声与色彩扰动）进行系统建模；其二需克服主观评估中个体差异对评分一致性的影响；其三在无参考质量预测模型开发中，需实现无需渲染图像或真值参照的端到端评估，这对模型理解三维几何结构与纹理特征的耦合关系提出了更高要求。

常用场景

经典使用场景

在三维视觉与图形学领域，3DGS-QA数据集作为首个针对3D高斯泼溅渲染技术的大规模主观质量评估数据集，其经典应用场景聚焦于量化分析不同重建条件下生成内容的感知质量。该数据集涵盖15类物体与225种退化模型，通过系统引入视角缩减、训练限制、点云降采样等五类失真因素，为研究者提供了标准化基准，用于评估3D高斯表示在复杂重建环境中的视觉保真度与稳定性。

衍生相关工作

基于该数据集衍生的经典研究包括面向3D高斯泼溅的无参考质量预测模型，该模型通过结构感知机制直接分析原生高斯基元特征，无需依赖渲染图像或参考真值。此类工作启发了后续对轻量化质量评估方法的探索，并在多模态三维重建、实时渲染优化等方向催生了系列创新性研究，持续拓展着三维视觉技术的应用边界。

数据集最近研究

最新研究方向

在三维场景重建领域，3D高斯泼溅技术正迅速崛起，其渲染质量的感知评估成为前沿研究焦点。3DGS-QA数据集作为首个针对该技术的大规模主观质量评估基准，系统性地涵盖了视角缩减、训练限制、点云降采样等五大失真类型，为量化分析重建条件对视觉感知的影响提供了关键数据支撑。这一突破性工作不仅填补了三维内容质量评估的空白，更推动了无参考质量预测模型的发展，该模型直接基于原始高斯基元进行结构感知的质量估计，无需依赖渲染图像或真实参考，为实时质量监控与优化算法奠定了理论基础。随着神经渲染技术的普及，该数据集将加速沉浸式视觉体验的质量标准化进程，对虚拟现实、数字孪生等应用产生深远影响。