mesh saliency dataset

本文构建了一个综合的网格显著性数据集，该数据集是首个系统捕捉在纹理和非纹理视觉条件下显著性分布差异的数据集。数据集通过虚拟现实眼动追踪设备收集，包含了60名参与者在观看同一网格模型时的眼动数据，旨在研究纹理对视觉注意力的影响。数据集涵盖了不同类别和复杂度的网格模型，适用于广泛的视觉应用场景。

This paper constructs a comprehensive grid saliency dataset, which is the first dataset to systematically capture the differences in saliency distribution between textured and non-textured visual conditions. The dataset is collected via virtual reality eye-tracking devices, containing eye movement data from 60 participants while they viewed the same grid models, aiming to investigate the impact of texture on visual attention. The dataset covers grid models of various categories and complexity levels, and is applicable to a wide range of visual application scenarios.

搜集汇总

数据集介绍

构建方式

该数据集通过虚拟现实（VR）眼动追踪实验构建，旨在系统捕捉纹理与非纹理条件下3D网格模型的显著性分布差异。实验采用Vive Pro Eye设备，招募60名参与者，在六自由度（6-DOF）虚拟空间中自由观察旋转的网格模型。通过Möller-Trumbore算法计算视线与网格的交点，生成高斯分布的显著性密度图。所有网格模型选自Free3D开源库，涵盖多类别以确保数据代表性和泛化性。

特点

作为首个系统性记录纹理与非纹理条件下显著性差异的数据集，其核心特点在于双模态标注：同一网格模型在纹理与非纹理状态下均配有显著性真值。数据分析揭示了纹理复杂度对视觉注意力的显著影响，同时验证了几何结构在显著性分布中的主导作用。数据集通过高精度眼动追踪技术，完整记录了头部方向、视线原点等元数据，为研究几何与纹理的交互作用提供了可靠基准。

使用方法

该数据集适用于3D视觉显著性预测模型的训练与评估，尤其适合研究纹理与几何特征的协同作用。使用时需将网格模型输入预测网络，在三角形面片级别生成显著性值。评估指标包括相关系数（CC）、相似度（SIM）等，支持跨模态验证（非纹理vs纹理）。通过配套的Mesh Mamba模型，可实现几何特征与纹理通道的联合建模，其双向状态空间机制（SSM）能有效处理局部拓扑与全局上下文关系。

背景与挑战

背景概述

Mesh Saliency Dataset由上海交通大学和华东师范大学的研究团队于2025年创建，旨在系统研究纹理与非纹理条件下3D网格视觉显著性分布的差异。该数据集通过虚拟现实眼动追踪实验，首次实现了对同一3D网格模型在不同视觉语境下显著性分布的综合记录，为理解几何结构与纹理信息对人类视觉注意力的交互影响提供了重要数据支持。其创新性的六自由度实验设计显著提升了眼动数据采集精度，推动了计算机视觉领域对3D物体感知机制的深入研究，并为虚拟现实、计算机图形学等应用提供了关键理论基础。

当前挑战

该数据集面临的核心挑战体现在两个方面：在领域问题层面，需解决纹理与非纹理3D网格的显著性预测难题，传统方法仅关注几何特征而忽略纹理影响，导致在复杂视觉场景中的预测准确度受限；在构建过程层面，实验设计需克服纹理复杂度对眼动数据采集的干扰，确保不同视觉条件下数据的可比性，同时处理大规模网格数据带来的计算复杂度问题，以及保持纹理映射与几何结构的精确对齐等技术难点。

常用场景

经典使用场景

在三维视觉感知领域，mesh saliency dataset的经典使用场景主要集中在视觉显著性预测和三维模型分析上。通过结合几何结构和纹理信息，该数据集能够系统地捕捉在纹理和非纹理条件下视觉注意力的分布差异。研究人员利用该数据集训练和验证模型，如Mesh Mamba，以预测三维网格表面的显著性区域，从而优化图形渲染和虚拟现实应用中的视觉体验。

解决学术问题

该数据集解决了三维视觉显著性研究中长期存在的几个关键学术问题。首先，它填补了纹理和非纹理网格显著性差异研究的空白，为理解几何结构和纹理如何共同影响视觉注意力提供了系统数据支持。其次，通过创新的VR眼动追踪实验设计，该数据集克服了传统实验设计在规模和精度上的限制，显著提升了数据的有效性和泛化能力。这些贡献为三维显著性预测模型的开发和验证奠定了坚实基础。

衍生相关工作

围绕mesh saliency dataset，衍生了一系列经典研究工作。例如，Mesh Mamba模型通过状态空间模型（SSM）实现了对复杂几何和纹理特征的统一处理，显著提升了显著性预测的准确性。此外，基于该数据集的子图嵌入方法和双向SSM技术，为三维网格的全局上下文建模提供了新思路。这些工作不仅推动了三维视觉显著性研究的发展，还为相关领域如点云分析和图像生成提供了重要参考。