Princeton365

Princeton365是一个多样化的数据集，包含准确的相机姿态。

Princeton365 is a diverse dataset encompassing precise camera poses.

原始信息汇总

Princeton365数据集概述

数据集基本信息

• 名称: Princeton365: A Diverse Dataset with Accurate Camera Pose
• 开发者: Karhan Kayan*, Stamatis Alexandropoulos*, Rishabh Jain, Yiming Zuo, Erich Liang, Jia Deng (*equal contribution, random order)
• 机构: Princeton University
• 相关论文: Princeton365: A Diverse Dataset with Accurate Camera Pose
• 官网: Princeton365

数据集下载

• 下载地址: Princeton365 Download
• 测试集说明: 测试集不包含真实值，需提交至评估服务器。

评估方法

SLAM/Odometry方法评估

1. 安装:

   • 基础功能安装: bash conda create --name princeton365 python=3.10 conda activate princeton365 pip install .

   • 开发环境安装: bash pip install ".[dev]"

   • PyPI安装: bash pip install princeton365

2. 运行方法:

   • 将轨迹转换为TUM格式，文件名与视频名对应。

3. 提交结果: bash princeton365-upload --email your_email --path path_to_your_submission_folder --method_name your_method_name

4. 公开提交: bash princeton365-make-public --id submission_id --email your_email --anonymous False --method_name your_method_name --publication "your publication name" --url_publication "https://your_publication" --url_code "https://your_code"

NVS方法评估

• 基准测试: 包含完整真实值，无需提交。
• 推荐工具: Nerfstudio
• 脚本示例: bash bash scripts/nvs/train_nerf_all.sh bash scripts/nvs/test_all.sh

真实值生成方法

安装

1. 基础环境: bash conda create --name princeton365 conda activate princeton365 pip install ".[dev]" sudo apt-get install python3-tk python3-pil.imagetk

2. Bundle PnP环境: bash conda create --name bundle_pnp conda activate bundle_pnp conda install -c conda-forge ceres-solver cxx-compiler c-compiler zlib

文件结构

• Benchmark Videos (pvl-slam/Benchmark):
  • gt_view: 真实值视图视频
  • pose_graph_extra_frames: 用于构建位姿图的视频
  • user_view: 用户视角视频

生成标定板

bash princeton365-board-generator --config princeton365/configs/board_configs.yaml --board_type <type>

生成真实值轨迹

1. 生成位姿图: bash princeton365-generate-gt --video <close_up_video> --intrinsics <intrinsics_folder> --board_type <grid or charuco>

2. 生成主视图轨迹: bash princeton365-generate-gt --video <gt_view_video> --intrinsics <intrinsics_folder> --board_type <grid or charuco> --use_pose_graph <pose_graph_file> --bundle_pnp

3. 相对位姿生成: bash princeton365-relative-pose --gt_trajectory <path_to_gt_trajectory_txt> --gt_detected_points <path_to_gt_detected_points_json> --user_detected_points <path_to_user_detected_points_json> --gt_intrinsics <path_to_gt_intrinsics_folder> --user_intrinsics <path_to_user_intrinsics_folder> --pose_graph <path_to_pose_graph_pickle>

引用

bibtex @misc{princeton365, title={Princeton365: A Diverse Dataset with Accurate Camera Pose}, author={Karhan Kayan and Stamatis Alexandropoulos and Rishabh Jain and Yiming Zuo and Erich Liang and Jia Deng}, year={2025}, eprint={2506.09035}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2506.09035}, }

搜集汇总

数据集介绍

构建方式

Princeton365数据集的构建采用了高精度的相机位姿标注方法，通过多视角视频采集和标定板技术实现。研究团队设计了专门的相机标定板（包括网格和ChArUco两种类型），并开发了一套完整的位姿图生成流程。数据采集过程分为两个阶段：首先通过近距离拍摄标定板视频生成初始位姿图，随后利用该位姿图为主要视角视频生成精确的轨迹。这种双阶段方法确保了相机位姿标注的准确性，同时支持单目、立体和惯性测量单元等多种传感器配置。

特点

Princeton365数据集以其多样化的场景和精确的相机位姿标注著称。该数据集包含室内外多种环境下的视频序列，涵盖了扫描场景、室内场景和室外场景三大类别。每个场景都提供了地面实况视角视频和用户视角视频，并配有详细的相机内参数据。特别值得注意的是，数据集采用了创新的位姿图优化技术，使得相机轨迹的精度达到毫米级。此外，数据集还支持新颖视角合成（NVS）任务的评估，提供了完整的COLMAP格式地面实况数据。

使用方法

使用Princeton365数据集需要先通过官方网站下载数据文件。对于SLAM/里程计方法的评估，用户需要将模型输出的轨迹转换为TUM格式并提交至评估服务器。数据集提供了完整的Python工具包，可通过pip安装，支持conda环境配置。对于NVS方法的评估，数据集推荐使用Nerfstudio框架，并提供了训练和测试的示例脚本。用户还可以利用数据集提供的工具生成自定义的标定板，以及在自己的视频序列上生成高精度的相机位姿标注。所有工具都配有详细的命令行参数说明和配置文件模板。

背景与挑战

背景概述

Princeton365数据集由普林斯顿大学的研究团队于2025年推出，旨在为计算机视觉领域的同步定位与地图构建（SLAM）以及新型视角合成（NVS）研究提供高质量的基准数据。该数据集由Karhan Kayan、Stamatis Alexandropoulos等学者共同开发，以其精确的相机位姿标注和多样化的场景覆盖著称。数据集包含室内外多种环境下的视频序列，通过创新的地面真值生成方法确保了位姿标注的高精度，为SLAM和NVS算法的性能评估提供了可靠的标准。Princeton365的推出显著推动了视觉里程计和三维重建领域的研究进展，成为该领域的重要基准之一。

当前挑战

Princeton365数据集在解决SLAM和NVS领域问题时面临多重挑战。在领域问题层面，精确的相机位姿估计在复杂动态环境中仍存在困难，特别是当场景存在遮挡或光照变化时，传统算法容易失效。数据构建过程中，研究团队需要克服大规模数据采集时的高精度标定难题，确保不同设备采集的数据具有一致的坐标系和尺度。此外，多视角视频序列的时间同步和空间对齐也对数据质量提出了严格要求。数据集还面临着如何平衡场景多样性与标注一致性的挑战，这对后续算法的泛化能力评估至关重要。

常用场景

经典使用场景

Princeton365数据集在计算机视觉领域具有广泛的应用价值，尤其在视觉定位与建图（SLAM）和新型视图合成（NVS）任务中表现突出。该数据集以其高精度的相机位姿标注和多样化的场景覆盖，成为评估SLAM算法性能的黄金标准。研究人员通过该数据集能够精确测试算法在复杂环境中的鲁棒性，包括室内外场景的切换、光照条件的变化以及动态物体的干扰。

实际应用

在实际应用层面，Princeton365数据集为增强现实（AR）、虚拟现实（VR）和机器人导航系统开发提供了重要支持。基于该数据集训练的视觉定位算法已成功应用于室内导航、工业巡检等场景。其包含的多样化场景数据特别有利于开发在复杂城市环境中运行的自动驾驶系统，解决了传统方法在陌生环境适应性差的问题。

衍生相关工作

该数据集催生了一系列创新性研究，包括基于深度学习的端到端SLAM系统、鲁棒的特征匹配算法以及新型视图合成方法。多位研究者利用其丰富的场景数据，提出了针对动态环境的自适应定位方案。在NVS领域，该数据集推动了神经辐射场（NeRF）技术在复杂光照条件下的应用研究，衍生出多个改进的视图合成算法。