support-graph-data

MedPhyGraph是一个程序化支持图数据集，用于动态建筑环境数字孪生中的反事实支持图维护。该数据集是MedPhyGraph方法（ECCV 2026 TwinWorld workshop论文）的组成部分，旨在训练和评估CF-SupportNet候选边评分器。数据集中包含533个候选边样本（训练324个、验证101个、测试108个），这些样本通过程序化生成场景并使用反事实证据协议创建。此外，还提供了54个程序化场景状态（scene.json文件）以及136个程序化转移用例（每个用例包含前后两个场景状态文件）。数据集文件结构包括三个主要目录：training_data（包含dataset.json和split.json的冻结训练数据）、procedural_scenes（场景状态与转换元数据）、expanded_transfer_procedural_v1（136个转移用例及目标文件）。公共发布版本仅包含程序化部分，不包含NVIDIA Isaac for Healthcare相关的81个用例。数据集采用CC BY 4.0许可，提供MANIFEST.json和SHA256SUMS.txt用于完整性校验。MedPhyGraph is a procedural support graph dataset for counterfactual support graph maintenance in dynamic built environment digital twins. It is part of the MedPhyGraph method (ECCV 2026 TwinWorld workshop paper) and is designed to train and evaluate the CF-SupportNet candidate edge scorer. The dataset contains 533 candidate edge samples (324 training, 101 validation, 108 test), generated via procedural scene generation and counterfactual evidence protocol. It also provides 54 procedural scene states (scene.json files) and 136 procedural transfer cases (each with two scene state files). The dataset file structure includes three main directories: training_data (frozen training data with dataset.json and split.json), procedural_scenes (scene states and transition metadata), expanded_transfer_procedural_v1 (136 transfer cases and target files). The public release only includes procedural parts, excluding 81 cases related to NVIDIA Isaac for Healthcare. The dataset is licensed under CC BY 4.0, with MANIFEST.json and SHA256SUMS.txt for integrity verification.

原始信息汇总

MedPhyGraph — Procedural Support-Graph Data 数据集详情

数据集概述

MedPhyGraph Procedural Support-Graph Data 是伴随论文 "MedPhyGraph: Counterfactual Support-Graph Maintenance for Dynamic Built-Environment Digital Twins"（ECCV 2026 Workshop）发布的过程化训练与评估数据。该数据集为 方法贡献 而非数据集或基准贡献，旨在支持实验的检查、复用与复现。

核心数据规模

项目	数量
候选边样本	533
训练 / 验证 / 测试	324 / 101 / 108
过程化场景状态	54
过程化迁移案例	136
论文中完整扩展套件	217 案例
包含的 Isaac for Healthcare 案例	0

论文共评估 217 个扩展迁移案例（136 个过程化案例 + 81 个 Isaac for Healthcare 案例），本仓库仅包含 136 个过程化案例，81 个 Isaac 案例不在此发布。

目录结构

目录	内容	对应 MedPhyGraph 路径
training_data/	冻结的 CF-SupportNet 候选边数据集及划分	outputs/dyphygraph_health/dataset_hard/
procedural_scenes/	结构化过程化场景状态与转换元数据	outputs/dyphygraph_health/scenes_twinworld_phase2/
expanded_transfer_procedural_v1/	136 个过程化迁移案例、目标及前后状态	outputs/reviewer_response/expanded_transfer_v1/

各目录详细说明

training_data/：包含 dataset.json 与 split.json，含 533 个候选边样本，基于过程化场景并使用分析型 AABB 主体验证反事实证据协议生成。该分析后端为几何代理，不应视为完整物理引擎模拟。

procedural_scenes/：包含 54 个 scene.json 状态、场景索引、转换元数据及过程化 AABB 代理几何体。

expanded_transfer_procedural_v1/：包含 136 个迁移案例、272 个前后 scene.json 文件、predeclared_manifest.json、targets.json 及 scenes/procedural/ 目录。使用公共评估脚本时，需将内容置于 outputs/reviewer_response/expanded_transfer_v1/ 路径下。

不包含的内容

本仓库不重新分发：

• NVIDIA Isaac for Healthcare 资源
• NVIDIA Isaac Sim 的 USD / USDA / USDC 文件
• NVIDIA 网格或纹理
• Isaac 派生的结构化场景状态
• 论文中报告的 81 个 Isaac for Healthcare 迁移案例

复现说明

过程化评估

可复现的公共资源包括：533 样本候选边数据集及划分、54 个过程化场景状态、136 案例过程化扩展迁移子集、论文冻结的 CF-SupportNet 检查点及公共评估代码。

部分核心论文表格需要中间文件 outputs/dyphygraph_health/dataset_twinworld_phase2/dataset.json，该文件不直接包含在本发布中，但可通过 procedural_scenes/ 和公共代码中的数据生成组件重新生成。

Isaac 评估

Isaac 部分需要额外获取 NVIDIA Isaac Sim / Isaac for Healthcare 及相关资源。论文中的 81 个 Isaac 案例结构化状态未在此发布，因此无法仅凭当前公开资源复现论文中的 Isaac 结果。

与 CF-SupportNet 的关系

CF-SupportNet 是 MedPhyGraph 中使用的学习型候选边评分器，包含 5 个论文冻结检查点（seed 0 为主检查点，seeds 1–4 为多种子复现检查点）。MedPhyGraph 除学习型评分器外，还应用确定性的 状态一致性 和 基于联合的转换感知一致性 来维护相邻数字孪生状态间的支撑关系。

完整性验证

提供 MANIFEST.json（索引与元数据）和 SHA256SUMS.txt（各工件的 SHA256 哈希）用于发布验证。

许可证

MedPhyGraph 自有内容采用 CC BY 4.0 许可。NVIDIA Isaac for Healthcare 资源不在本仓库中，不受 MedPhyGraph 重新许可，仍遵循 NVIDIA 自身许可证条款。

引用

bibtex @inproceedings{gholizadeh2026medphygraph, title = {MedPhyGraph: Counterfactual Support-Graph Maintenance for Dynamic Built-Environment Digital Twins}, author = {Gholizadeh HamlAbadi, Kamran and Vahdati, Monica and El Saddik, Abdulmotaleb}, booktitle = {TwinWorld: Visual Intelligence for Built Environment Digital Twins, ECCV 2026 Workshop}, year = {2026} }

搜集汇总

数据集介绍

构建方式

该数据集源自MedPhyGraph方法贡献，聚焦于动态建筑环境数字孪生中的反事实支持图维护。其构建基于程序化生成的场景，利用解析性AABB宿主移除反事实证据协议，生成包含533个候选边样本的冻结数据集，并按照324/101/108划分为训练、验证与测试子集。此外，数据集还囊括54个结构化程序化场景状态与136个程序化迁移案例，每个案例附带前后场景文件及目标元数据，构成一套完整且可复现的实验支撑体系。

特点

该数据集的核心特色在于其程序化生成的结构化场景与反事实证据的有机融合，为支持关系推断提供了几何代理而非完全物理模拟的高效中间表示。其分层组织方式——涵盖训练数据、程序化场景及扩展迁移案例——确保了科学工件的原始性与完整性。尤为重要的是，数据集明确界定了与NVIDIA Isaac for Healthcare资源的边界，仅承载程序化案例，凸显了其在方法验证上的专注性与可复现性承诺。

使用方法

使用者可通过Hugging Face CLI或Python快照接口便捷获取完整数据集。针对程序化评估流程，需将扩展迁移案例目录内容置于指定的本地路径下，以匹配公开评估脚本的预期布局。结合预训练的CF-SupportNet检查点，可复现论文中的程序化评估结果。对于需要生成中间文件的高级工作流，数据结构化场景提供了必要的输入以驱动数据生成组件。该发布刻意保留JSON原始形态，尽管数据集查看器被禁用，却保障了多模式科学工件的忠实呈现。

背景与挑战

背景概述

MedPhyGraph支持图数据（support-graph-data）由Kamran Gholizadeh HamlAbadi、Monica Vahdati和Abdulmotaleb El Saddik于2026年发布，作为ECCV 2026研讨会论文《MedPhyGraph：动态建筑环境数字孪生的反事实支持图维护》的配套数据。该数据集旨在应对数字孪生场景中支持关系图的结构化状态维护问题，通过程序化生成的场景图、反事实证据和转移案例，为物理AI与机器人领域提供可复现的基准。其核心研究问题聚焦于如何利用几何代理与一致性约束，在动态环境间维持支持关系的准确性。该数据集与CF-SupportNet模型协同，推动了数字孪生中场景图推断与维护方法的发展，为相关领域提供了标准化的评估资源。

当前挑战

该数据集面临的挑战首先源于领域问题：动态建筑环境中的支持关系推断需处理复杂几何与状态变化，传统物理仿真成本高昂，而几何代理方法虽高效却非完全精确。其次，构建过程遭遇多重困难，包括需设计程序化场景生成协议以模拟多样化环境，确保数据分布覆盖均衡；需构建反事实证据协议以精准捕获因果关联；以及需在限制NVIDIA Isaac资产重分发的同时，保持跨平台转移案例的一致性。此外，数据集的完整性受限于版权与许可约束，仅公开136个程序化案例，而81个Isaac案例因授权未包含，导致完整217案例套件的复现需依赖外部资源，增加了评估的复杂性。

常用场景

经典使用场景

在数字孪生与场景理解的前沿探索中，支撑图数据构成了动态建筑环境认知的基石。该数据集以程序化生成的场景图为核心，提供了533个候选边样本、54个结构化场景状态及136个迁移案例，为验证支撑关系维护算法提供了标准化测试平台。研究者可借助其冻结的数据划分和几何代理协议，系统评估模型在跨状态场景中的泛化能力，尤其适用于检验支撑图在物理规律约束下的动态更新逻辑。

实际应用

在实际应用层面，该数据集为智能建筑运维与自主机器人操作提供了关键支撑。依托其结构化场景状态，系统可实时监测环境变化并预测物体间支撑关系，进而服务于自动导航中的碰撞规避、仓储物流的堆叠规划以及医疗环境中设备布局的动态优化。其程序化生成特性使得数字孪生平台能够快速构建虚拟测试场，加速了从仿真验证到实体部署的端到端研发流程，尤其在高保真度要求的智能制造场景中展现出显著价值。

衍生相关工作

该数据集的发布催生了一系列探讨场景图动态维护与因果推理的衍生工作。围绕CF-SupportNet架构，研究者发展了多粒度支撑关系预测模型，并探索了基于反事实证据的对比学习策略。其确定性一致性组件启发了后续关于状态过渡约束图神经网络的研究，同时程序化生成方法也被扩展到更广泛的三维场景理解任务中。这些工作共同推动了视觉智能在建筑环境数字孪生领域的理论深化与应用拓展，形成了以支撑关系为核心的新兴研究脉络。