five

EN-SLAM-Dataset

收藏
Hugging Face2024-11-27 更新2024-12-12 收录
下载链接:
https://huggingface.co/datasets/delinqu/EN-SLAM-Dataset
下载链接
链接失效反馈
官方服务:
资源简介:
EN-SLAM数据集是为论文《Implicit Event-RGBD Neural SLAM》创建的,包含两个部分:DEV-Indoors和DEV-Reals。DEV-Indoors通过Blender和模拟器生成,覆盖正常、运动模糊和黑暗场景,提供9个子集,包括RGB图像、深度图、事件流、网格和轨迹。DEV-Reals从真实场景中捕获,提供8个在运动模糊和光照变化条件下的挑战性子集。数据集结构包括评估元数据、序列数据和3D模型,以及用于数据生成和可视化的脚本。
创建时间:
2024-11-25
原始信息汇总

EN-SLAM 数据集概述

数据集描述

EN-SLAM 数据集是为论文 Implicit Event-RGBD Neural SLAM 创建的,该论文提出了一种事件-RGBD隐式神经SLAM框架,能够有效利用事件流和RGBD数据,克服极端运动模糊和光照变化场景中的挑战。数据集包含两个主要部分:

  • DEV-Indoors: 通过Blender和模拟器生成,涵盖正常、运动模糊和黑暗场景,提供9个子集,包含RGB图像、深度图、事件流、网格和轨迹。
  • DEV-Reals: 从真实场景中捕获,提供8个在运动模糊和光照变化条件下的挑战性子集。

数据集来源

更新

  • 已发布 DEV-Indoors 和 DEV-Reals 数据集。
  • 已添加数据集使用说明。

使用方法

下载与提取

可以通过以下命令下载数据集:

bash huggingface-cli download --resume-download --local-dir-use-symlinks False delinqu/EN-SLAM-Dataset --local-dir EN-SLAM-Dataset

或者使用 git clone 命令:

bash git lfs install git clone https://huggingface.co/datasets/delinqu/EN-SLAM-Dataset

如果只需要下载特定子集,可以使用以下Python代码:

python from huggingface_hub import hf_hub_download

hf_hub_download( repo_id="delinqu/EN-SLAM-Dataset", filename="DEV-Indoors_config.tar.gz", repo_type="dataset", local_dir=".", )

下载后,可以使用以下脚本提取 tar.gz 文件:

bash python scripts/extract_dataset.py

数据集结构

DEV-Indoors 数据集

数据集结构如下:

bash ├── groundtruth # 评估元数据:姿态、RGB、深度、网格 │ ├── apartment │ ├── room │ └── workshop ├── seq001_room_norm # 正常序列:事件、RGB、深度、姿态、相机参数 │ ├── camera_para.txt │ ├── depth │ ├── depth_mm │ ├── event.zip │ ├── pose │ ├── rgb │ ├── timestamps.txt │ └── seq001_room_norm.yaml ├── seq002_room_blur # 模糊序列:事件、RGB、深度、姿态、相机参数 │ ├── depth │ ├── depth_mm │ ├── event.zip │ ├── pose │ ├── rgb │ ├── timestamps.txt │ └── seq002_room_blur.yaml ├── seq003_room_dark # 黑暗序列:事件、RGB、深度、姿态、相机参数 │ ├── depth │ ├── depth_mm │ ├── event.zip │ ├── pose │ ├── rgb │ ├── timestamps.txt │ └── seq003_room_dark.yaml ... └── seq009_workshop_dark ├── depth ├── depth_mm ├── event.zip ├── pose ├── rgb ├── timestamps.txt └── seq009_workshop_dark.yaml

DEV-Reals 数据集

数据集结构如下:

bash DEV-Reals ├── devreals.yaml # 数据集元数据:相机参数、cam2davis变换矩阵 | ├── enslamdata1 # 序列:davis346、姿态、RGBD │ ├── davis346 │ ├── pose │ └── rgbd ├── enslamdata1.bag ├── enslamdata2 │ ├── davis346 │ ├── pose │ └── rgbd ├── enslamdata2.bag ├── enslamdata3 │ ├── davis346 │ ├── pose │ └── rgbd ├── enslamdata3.bag ... ├── enslamdata8 │ ├── davis346 │ ├── pose │ └── rgbd └── enslamdata8.bag

引用

如果使用此数据集或发现其有帮助,请考虑引用以下论文:

bibtex @inproceedings{qu2023implicit, title={Implicit Event-RGBD Neural SLAM}, author={Delin Qu, Chi Yan, Dong Wang, Jie Yin, Qizhi Chen, Yiting Zhang, Dan Xu and Bin Zhao and Xuelong Li}, booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition}, year={2024} }

搜集汇总
数据集介绍
main_image_url
构建方式
EN-SLAM-Dataset的构建基于Blender和仿真器,涵盖了正常、运动模糊和暗光场景,生成了9个子集,包含RGB图像、深度图、事件流、网格和轨迹。真实场景部分则通过实际拍摄获取,提供了8个在运动模糊和光照变化下的挑战性子集。数据集的构建过程充分考虑了极端运动模糊和光照变化场景的挑战,确保了数据的多样性和复杂性。
特点
EN-SLAM-Dataset的特点在于其首次结合了事件流和RGBD数据,提出了隐式神经SLAM框架,有效应对了极端运动模糊和光照变化场景的挑战。数据集包含DEV-Indoors和DEV-Reals两部分,前者通过仿真生成,后者来自真实场景,提供了丰富的RGB图像、深度图、事件流等数据,为研究提供了全面的实验基础。
使用方法
使用EN-SLAM-Dataset时,用户可通过Hugging Face平台下载并解压数据集,支持使用命令行工具或Git LFS进行下载。数据集提供了详细的目录结构和脚本,便于用户进行数据加载和处理。评估部分则通过引入虚拟相机和遮挡处理,生成了额外的视图,帮助用户全面评估算法的视图合成和空洞填充能力。
背景与挑战
背景概述
EN-SLAM-Dataset是2024年由Delin Qu等人提出的首个事件-RGBD隐式神经SLAM框架的数据集,旨在解决极端运动模糊和光照变化场景中的挑战。该数据集由DEV-Indoors和DEV-Reals两部分组成,DEV-Indoors通过Blender和模拟器生成,涵盖正常、运动模糊和暗光场景,提供RGB图像、深度图、事件流、网格和轨迹等数据;DEV-Reals则从真实场景中捕获,包含运动模糊和光照变化下的8个子集。该数据集的发布为计算机视觉和机器人领域的SLAM研究提供了重要的数据支持,推动了隐式神经SLAM技术的发展。
当前挑战
EN-SLAM-Dataset在构建和应用过程中面临多重挑战。首先,在极端运动模糊和光照变化场景下,如何有效融合事件流和RGBD数据以实现高精度的SLAM仍是一个技术难题。其次,数据集的构建过程涉及复杂的模拟和真实场景采集,如何在模拟环境中生成逼真的运动模糊和暗光效果,以及在真实场景中捕获高质量的事件流和RGBD数据,均对数据采集和处理提出了高要求。此外,数据集的评估过程需要引入虚拟视角以覆盖遮挡区域,这对算法的视图合成和空洞填充能力提出了更高的标准。
常用场景
经典使用场景
EN-SLAM-Dataset在计算机视觉领域中被广泛应用于同步定位与地图构建(SLAM)技术的研究。该数据集通过结合事件流和RGBD数据,为研究者在极端运动模糊和光照变化场景下的SLAM算法提供了丰富的实验材料。其经典使用场景包括室内环境的3D重建、动态场景下的实时定位以及复杂光照条件下的视觉导航。
解决学术问题
EN-SLAM-Dataset有效解决了SLAM技术在极端环境下的鲁棒性问题。通过提供包含运动模糊和光照变化的多样化数据,该数据集帮助研究者验证和改进算法在复杂场景中的表现。此外,其隐含神经SLAM框架为处理高动态范围场景提供了新的解决方案,推动了SLAM技术在学术界的进一步发展。
衍生相关工作
EN-SLAM-Dataset的发布催生了一系列相关研究工作,特别是在隐含神经SLAM和事件相机结合领域。许多研究者基于该数据集提出了新的算法框架,如基于事件流的动态场景重建方法和多模态数据融合技术。这些工作不仅扩展了SLAM技术的应用范围,也为未来在极端环境下的视觉导航研究提供了新的思路。
以上内容由遇见数据集搜集并总结生成
5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作