NeurCross-TEST
收藏资源简介：
NeurCross Per-Mesh Generated Labels 是一个专为AI辅助自动重拓扑、四边形网格划分、重新网格化及几何处理工作流研究与开发设计的大规模数据集。该数据集包含通过NeurCross标签生成管道独立处理的源网格所生成的每个网格几何标签。每个样本代表一个源网格，其生成的工件包可能包括归一化的网格几何、优化的交叉场标签、质量指标、特征线工件、有符号距离函数（SDF）或截断有符号距离函数（TSDF）样本、检查点、日志以及重现或过滤结果所需的元数据。数据集中的标签是几何监督工件，旨在为学习几何感知网格操作的下游模型提供支持，而不是文本标签或语义对象类别。其主要目标是构建一个包含配对几何和交叉场监督的大规模数据集，适用于训练未来的AI工具，以辅助自动重拓扑、四边形重新网格化、交叉场预测、SDF/TSDF预测、网格质量预测、特征感知重新网格化以及几何预处理和修复分类等任务。数据集规模在1000亿到1万亿之间。需要注意的是，标签生成是一个优化过程，输出质量可能因网格拓扑、表面质量、采样配置和训练运行时间而异；非水密、自相交、有噪声或非流形的网格可能产生不可靠的SDF符号或较低质量的场；质量等级是启发式的，应在每个下游任务中进行验证。
NeurCross Per-Mesh Generated Labels is a large-scale dataset designed for AI-assisted automatic retopology, quad mesh generation, remeshing, and geometry processing workflow research and development. The dataset contains per-mesh geometry labels generated from source meshes processed independently through the NeurCross label generation pipeline. Each sample represents a source mesh, and its generated artifact package may include normalized mesh geometry, optimized cross-field labels, quality metrics, feature line artifacts, signed distance function (SDF) or truncated signed distance function (TSDF) samples, checkpoints, logs, and metadata necessary for reproducing or filtering results. The labels in the dataset are geometric supervision artifacts intended to support downstream models learning geometry-aware mesh operations, rather than text labels or semantic object categories. The primary goal of the dataset is to build a large-scale dataset with paired geometry and cross-field supervision, suitable for training future AI tools to assist in tasks such as automatic retopology, quad remeshing, cross-field prediction, SDF/TSDF prediction, mesh quality prediction, feature-aware remeshing, and geometry preprocessing and repair classification. The dataset scale ranges from 100 billion to 1 trillion. It should be noted that label generation is an optimization process, and output quality may vary depending on mesh topology, surface quality, sampling configuration, and training runtime; non-watertight, self-intersecting, noisy, or non-manifold meshes may produce unreliable SDF signs or lower-quality fields; quality grades are heuristic and should be validated in each downstream task.
数据集概述
- 名称: NeurCross Per-Mesh Generated Labels
- 许可证: AGPL-3.0
- 任务类别: text-to-3d, any-to-any
- 语言: 英语
- 标签: arxiv:2405.13745, 3D, 网格, 几何处理, 四边形网格化, 自动重拓扑, 重新网格化, SDF, TSDF, 生成标签, NeurCross
- 规模: 超过100B但小于1T个元素
- 数据源: NeurCross 原始仓库 和 派生仓库
数据集内容
- 核心数据: 每个样本包含一个源网格经过独立 NeurCross 优化流程处理后生成的几何标签包。
- 生成物可能包括:
- 归一化的网格几何数据
- 优化的交叉场标签
- 质量指标
- 特征线制品
- SDF / TSDF 样本
- 检查点、日志和元数据
- 标签性质: 是几何监督制品，并非文本标签或语义对象类别，专为下游学习几何感知网格操作的模型设计。
数据集用途
主要目标是构建大规模配对几何与交叉场监督数据集，用于训练AI工具以支持以下任务：
- 自动重拓扑
- 四边形重新网格化
- 交叉场预测
- SDF 或 TSDF 预测
- 网格质量预测
- 特征感知重新网格化
- 几何预处理和修复分类
关键术语
- Per-mesh generated label: 一个源网格 → 一次独立的 NeurCross 优化运行 → 该网格的一个生成制品包。
- Cross field: 存储表面上的方向信息，指示四边形网格边应遵循的局部首选方向。常见存储格式为
.vec、.rosy或.rawfield。 - SDF / TSDF: SDF（有符号距离函数）存储查询点到表面的距离及内外符号；TSDF（截断有符号距离函数）为SDF的截断或归一化版本，适用于训练学习连续曲面几何的神经模型。
数据集状态
- 实验性质，可能随时发生重大变化。
目录结构
典型的根目录组织如下： text dataset_root/ generated-labels/ <source-dataset>/ <sample_id>/ manifest.json mesh_quality_report.json input/ geometry/ fields/ sdf/ features/ metrics/ logs/ checkpoints/
已知限制
- 输出质量可能因网格拓扑、表面质量、采样配置和训练运行时间而异。
- 非水密、自相交、噪声或非流形网格可能产生不可靠的SDF符号或较低质量的场。
- 质量评级是启发式的，需针对每个下游任务进行验证。
- 模式版本
0.1为实验性质，在稳定1.0发布前可能更改。 - 生成的交叉场不是语义标签，不指示对象类别。
- 源网格许可可能因样本而异。重新分发或商业使用前，请检查
source.license和原始数据集元数据。
引用格式
建议使用以下BibTeX格式引用该数据集： bibtex @dataset{neurcross_per_mesh_generated_labels, title = {NeurCross Per-Mesh Generated Labels}, author = {Akash Patel}, year = {2026}, publisher = {Hugging Face}, version = {0.1}, note = {Generated per-mesh cross-field, geometry, SDF, and quality-label artifacts for AI-assisted retopology and remeshing research} }
附加链接
