STER

STER（空间感知三维实体解析）数据集是基于3dSAGER基准扩展而来的三维地理空间实体解析基准。该数据集的核心创新在于完全在25维几何属性空间中进行建模，而非传统的原始3D网格空间，这使得基于扩散、流匹配和世界模型的训练时间从数天大幅缩短至数分钟，同时保持与原始3dSAGER管道的完全可比性。数据集包含两个主要数据源：海牙3D城市模型2022（作为候选集）和3DBAG开放数据API（作为索引集）。两个数据源均包含BAG建筑标识符，相同标识符的建筑自动构成真值匹配对，从而实现了大规模、零人工标注成本的基准构建。数据集针对四个典型场景设计了八种方法提案：长尾分布场景、噪声数据场景、少样本场景和零样本场景，每个场景包含基于扩散和基于世界模型两种方法家族。数据集仅重新发布派生特征向量、场景划分、采集脚本和校验和，原始大容量数据需根据相应许可证从源站获取（3DBAG使用CC BY 4.0许可证）。该数据集适用于三维实体解析、地理空间对象匹配、建筑几何建模、世界模型构建以及扩散模型在结构化数据上的应用等任务。The STER (Spatially-Aware 3D Entity Resolution) dataset is an extension of the 3dSAGER benchmark for 3D geospatial entity resolution. Its core innovation lies in modeling entirely in a 25-dimensional geometric attribute space, rather than the traditional raw 3D mesh space, which significantly reduces training time for diffusion, flow matching, and world model-based methods from days to minutes while maintaining full comparability with the original 3dSAGER pipeline. The dataset includes two main data sources: the Hague 3D City Model 2022 (as candidate set) and the 3DBAG open data API (as index set). Both sources contain BAG building identifiers, with buildings sharing the same identifier automatically forming ground truth matching pairs, enabling large-scale benchmark construction with zero manual annotation cost. The dataset proposes eight methods for four typical scenarios: long-tail distribution, noisy data, few-shot, and zero-shot scenarios, each with diffusion-based and world model-based method families. Only derived feature vectors, scene splits, collection scripts, and checksums are redistributed; original high-capacity data must be obtained from source sites under their respective licenses (e.g., CC BY 4.0 for 3DBAG). It is suitable for tasks such as 3D entity resolution, geospatial object matching, building geometric modeling, world model construction, and diffusion model applications on structured data.

原始信息汇总

数据集名称

STER — Spatial-aware 3D Entity Resolution（空间感知三维实体分辨率）

许可证

CC-BY-4.0

语言

英语

标签

• 地理空间
• 实体解析
• 3D
• 世界模型
• 扩散
• 流匹配

任务类别

其他

数据集概述

STER 是 3dSAGER 基准（SIGMOD 2026，Geospatial Entity Resolution over 3D Objects）的扩展，面向 AAAI 投稿。基于相同的 The Hague 实体解析基准，STER 构建了包含 8 种方法提案 的套件，覆盖四种场景 × 两种现代方法家族。

方法提案概览

场景	基于扩散的方法	基于世界模型的方法
长尾	1A 条件扩散 `p(B	A)`
噪声	2A 几何语法修正	2B 因果世界模型（信号⊥噪声）
少样本	3A 变换感知桥接	3B JEPA 跨源几何想象
零样本	4A 去噪轨迹签名	4B 建筑流形上的流匹配

核心设计原则：所有操作均在 25 维几何属性空间（而非原始 3D 网格空间）中进行建模，使扩散 / 流 / 世界模型训练时间从数天降至数分钟，并与原始 3dSAGER 流程保持完全可比。

无人工标注的真实标签

两个数据源（The Hague 3D City Model = 候选集；3DBAG = 索引集）均带有 BAG 建筑标识符。相同的 BAG ID 即视为真匹配。因此，在零标注成本下获得了大规模真实标签。

数据仓库布局

• README.md：本卡片 + 实时进度板
• SPEC/：数据获取与构建规范（可行性已验证）
• code/：爬虫、属性提取、变体构建器、8 种方法
• data/：派生属性向量 + 场景划分（原始数据保留在来源处）
• experiments/：配置、结果表格、消融实验
• logs/：进度日志与里程碑记录

数据来源（全部已验证可访问）

• The Hague 3D City Model 2022 — 市政开放数据（候选集 D_C）
• 3DBAG — api.3dbag.nl，OGC API Features，每栋建筑的 LoD1.2/1.3/2.2（索引集 D_I）
• 官方 3dSAGER 代码 + 已发布划分 — github.com/BarGenossar/3dSAGER

STER 仅重新分发 派生特征 / 划分 + 获取脚本 + 校验和；原始批量数据从来源处根据其许可证获取（3DBAG：CC BY 4.0）。

状态

详见 logs/progress.md 中的实时里程碑板。此仓库会随着数据、记录、实验成果、代码以及部署产物的生成而持续更新。

搜集汇总

数据集介绍

构建方式

STER数据集基于3dSAGER基准（SIGMOD 2026）进行扩展，聚焦于海牙市三维城市模型与3DBAG索引之间的空间感知实体解析。通过利用BAG建筑标识符作为自然标注，实现了无需人工标注的大规模真实匹配。数据集构建涵盖四种场景（长尾、噪声、少样本、零样本）与两类现代方法（扩散模型与世界模型），共生成8种方法提案。所有处理均在25维几何属性空间中进行，而非原始三维网格空间，从而将扩散/流/世界模型的训练时间从数天缩短至数分钟，并保持与原始3dSAGER管线的完全可比性。

特点

该数据集的核心优势在于其高效的标注机制与多维场景覆盖。通过BAG标识符的天然对应关系，实现了零标注成本下的大规模真值生成。25维几何属性空间的设计大幅降低了计算开销，同时保留了丰富的几何信息。此外，数据集系统性地覆盖了长尾、噪声、少样本和零样本四种典型挑战场景，每种场景均提供扩散模型与世界模型两种最新方法的实现方案，为三维实体解析研究提供了统一的评估框架。

使用方法

用户可通过访问STER代码仓库获取数据采集与构建规范，运行爬虫程序下载原始三维城市模型与3DBAG数据，并利用提供的属性提取与变体构建脚本生成25维几何特征向量。数据集包含预划分的场景子集，可直接用于训练和评估8种方法提案。所有派生特征、数据切分与实验配置均通过该仓库分发，原始数据则从官方源获取。用户可参考experiments/目录下的配置与结果表格复现实验，并对照logs/目录中的进度记录追踪最新进展。

背景与挑战

背景概述

STER（Spatial-aware Three-dimensional Entity Resolution）数据集于2025年推出，由研究团队在3dSAGER基准（SIGMOD 2026）基础上进一步扩展，旨在应对地理空间领域中三维实体解析的复杂挑战。其核心研究问题聚焦于如何在不依赖人工标注的情况下，高效且精准地从异构三维城市模型数据源中识别匹配的建筑物实体。该数据集以荷兰海牙市为实验场景，整合了2022年海牙三维城市模型候选集与3DBAG索引集，利用统一的BAG建筑物标识符自动生成大规模真实标签，开创了零标注成本的实体解析范式。STER涵盖长尾、噪声、少样本和零样本四种场景，并提出了八种现代方法提案（包括扩散模型与世界模型），在25维几何属性空间中建模，显著降低了训练成本，对智能城市建设、三维地理信息系统及实体解析领域具有重要的推动意义。

当前挑战

STER面临的挑战主要来源于两个方面。在领域问题上，三维实体解析需应对数据源之间的几何噪声、传感器误差、细节层次差异（LoD1.2/1.3/2.2）以及建筑物长尾分布，传统方法难以在复杂场景下兼顾精度与效率。在构建过程中，均匀采样与三维网格建模耗时长、计算开销大，且原始数据格式异构（如CityGML与OBJ），需统一为25维几何属性空间以减少维度爆炸。此外，零样本和少样本场景下缺乏训练信号，扩散模型和世界模型的生成轨迹需在建筑物流形上保持结构合理性，而多场景（如噪声诱导）下的消融实验对数据划分的平衡性提出了严苛要求，同时必须遵守各数据源的CC BY 4.0许可条款，仅分发衍生特征与获取脚本。

常用场景

经典使用场景

在三维地理空间数据分析领域，STER数据集为实体解析任务提供了全新的基准。该数据集聚焦于基于空间感知的三维建筑物实体匹配，经典使用场景包括同源或异源三维城市模型之间的对象对齐，例如将市政公开的The Hague三维城市模型与3DBAG数据库中的建筑物进行精确匹配。通过利用建筑物标识符作为天然的真实标签，STER支持大规模零标注成本的实体识别，为评估扩散模型、世界模型等现代方法在三维几何属性空间中的性能提供了标准化测试平台。

衍生相关工作

STER数据集直接衍生自3dSAGER基准，并在此基础上扩展出八种方法提案，形成了从扩散模型到世界模型的完整方法论谱系。相关工作包括条件扩散用于长尾场景下的概率匹配解耦、因果世界模型在噪声干扰中的信号分离、变换感知桥接实现少样本迁移学习，以及流匹配在建筑物流形上的零样本生成。这些工作不仅丰富了三维实体解析的技术路线，也为后续研究探索几何先验、自监督表征和因果推断在地理空间AI中的应用提供了开源基础。

数据集最近研究

最新研究方向

STER数据集聚焦于空间感知的三维实体解析，其前沿研究方向将扩散模型、流匹配与世界模型等生成式AI方法引入地理空间解析领域。通过将建模空间压缩至25维几何属性空间，该方法显著降低了训练成本，使原本需要数天的三维网格数据训练缩短至分钟级。在当前AI与地理信息融合的热点事件中，STER推动了零标注成本的大规模真值生成技术，系统性地构建了涵盖长尾、噪声、少样本和零样本四种场景的八种创新方法体系。这项研究不仅为三维城市模型中的建筑物实体匹配提供了可复现的基准，更预示了生成式AI在空间智能与地理信息管理领域的范式转变潜力。