Cambridge Arboreal Modelling Panoptic 3D (CAMP3D)

一个用于森林视觉研究的合成3D点云数据集，包含从Unreal Engine导出到Blender处理，再到HELIOS++ LiDAR模拟生成的机器学习就绪点云数据，可选包含叶/木语义信息

A synthetic 3D point cloud dataset tailored for forest vision research. It comprises machine learning-ready point cloud data that is exported from Unreal Engine, processed in Blender, and subsequently generated via HELIOS++ LiDAR simulation. The dataset optionally includes leaf/wood semantic information.

原始信息汇总

Cambridge Arboreal Modelling Panoptic 3D (CAMP3D) 数据集概述

数据集基本信息

• 名称：Cambridge Arboreal Modelling Panoptic 3D (CAMP3D)
• 来源论文：Scaling Up Forest Vision with Synthetic Data (Yihang She, Andrew Blake, David Coomes, Srinivasan Keshav, 2025)
• 下载地址：https://zenodo.org/records/17106960
• 许可证：MIT License
• DOI：10.5281/zenodo.17106960

数据集描述

CAMP3D是一个用于森林视觉研究的合成数据集生成工具和数据集，通过可重复的流程从Unreal Engine导出到Blender 4.2，再到HELIOS++ LiDAR模拟，最终生成机器学习就绪的点云数据。

主要特征

• 场景创建：将Unreal Engine FBX导出转换为Blender场景
• 语义标注：自动树/叶/地面分类，支持自定义关键词
• HELIOS集成：将场景导出为HELIOS++格式进行LiDAR模拟
• UAV规划：生成可配置参数的调查飞行路径
• LiDAR模拟：运行HELIOS++调查生成点云数据
• ML后处理：将模拟输出转换为ML就绪的PLY格式并进行分块处理

数据内容

• 点云格式：PLY格式
• 语义标签：地面（1）、植被（2），或详细标签（地面/木材/叶子：2/3/4）
• 树ID跟踪：保持单个树标识符用于分割任务
• 数据属性：包含3D坐标（x, y, z）、LiDAR返回强度、语义分割标签和树ID

示例场景

• quickdemo：快速验证和测试，最小规模（单棵树）
• Deciduous4：完整管道演示，包含程序化叶子的完整森林场景

技术依赖

• Python：3.8+
• Blender：4.2
• HELIOS++ LiDAR模拟器：需单独安装
• pyhelios Python包：提供HELIOS++的Python绑定

输出结构

ml_data/ └─ 场景名称/ └─时间戳/ ├─ 场景名称_plot_0_annotated.ply ├─ 场景名称_plot_1_annotated.ply └─ ...

引用格式

bibtex @misc{she2025scalingforestvisionsynthetic, title={Scaling Up Forest Vision with Synthetic Data}, author={Yihang She and Andrew Blake and David Coomes and Srinivasan Keshav}, year={2025}, eprint={2509.11201}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2509.11201}, }

搜集汇总

数据集介绍

构建方式

在森林遥感与三维建模领域，CAMP3D数据集通过多阶段合成流程构建而成。其核心方法始于从Unreal Engine导出的FBX文件，利用Blender 4.2进行场景重构与语义标注，实现树木、树叶与地面的自动化分类。随后集成HELIOS++激光雷达模拟器，通过可配置的无人机航迹规划与LiDAR扫描仿真，生成高保真点云数据。最终通过后处理模块将原始仿真输出转换为机器学习友好的PLY格式，并支持场景分块与语义标签融合，确保数据兼具几何精度与语义完整性。

特点

该数据集的核心特点体现在其多维度的技术优势上。其点云数据不仅包含高精度三维坐标与强度信息，还融合了层次化语义标注体系，支持地面、木质与叶片的细粒度分类。数据集提供实例级别的树木标识符，为实例分割任务提供坚实基础。同时，数据集支持可定制化的场景分块策略，适应不同尺度的机器学习模型训练需求。仿真环境参数完全可配置，包括扫描模式、飞行轨迹与传感器特性，为算法鲁棒性验证提供丰富场景。

使用方法

数据集的使用遵循模块化 pipeline 设计，用户可通过配置YAML文件驱动全流程自动化处理。典型应用始于场景创建命令，将FBX文件转换为Blender场景并添加语义标注。随后通过HELIOS++导出与航迹规划模块生成仿真参数，执行LiDAR扫描获得原始点云。最终利用后处理命令将数据转换为分块后的PLY格式，每个文件包含坐标、强度、语义标签及树木ID信息。用户可根据需要选择简化版或详细版语义模式，并支持多时间戳数据的合并处理，满足不同研究场景的需求。

背景与挑战

背景概述

剑桥树木建模全景三维数据集（CAMP3D）由剑桥大学研究团队于2025年创建，旨在通过合成数据技术推动森林视觉研究的发展。该数据集由Yihang She、Andrew Blake等学者主导开发，聚焦于解决森林生态系统三维建模中的关键问题。通过整合Unreal Engine场景导出、Blender语义标注和HELIOS++激光雷达模拟技术，CAMP3D为机器学习提供了高质量的标注点云数据，显著提升了森林结构分析、树种分类和生态监测等领域的研究能力。

当前挑战

在森林视觉研究领域，传统方法面临真实标注数据获取困难、三维场景复杂度高以及多模态数据融合等挑战。CAMP3D构建过程中需克服多软件协同的技术壁垒，包括Unreal Engine到Blender的场景转换精度保障、HELIOS++模拟参数优化，以及大规模点云数据的语义一致性维护。此外，叶片与木材的精细分类要求开发特定的关键词识别算法，确保合成数据与真实森林场景的结构相似性和生态有效性。

常用场景

经典使用场景

在森林遥感与三维建模领域，CAMP3D数据集通过合成数据生成流程为研究人员提供了高质量的标注点云数据。该数据集最经典的使用场景在于训练和验证森林场景的语义分割与实例分割算法，特别是针对树木、枝叶和地面的精细分类。研究人员可利用其生成的ML-ready格式点云数据，开展基于深度学习的森林参数反演研究，如冠层高度模型构建、生物量估算和树种分类等任务。

实际应用

在实际应用层面，CAMP3D数据集为林业管理、生态监测和气候变化研究提供了重要技术支撑。其生成的高精度合成数据可用于开发自动化森林 Inventory 系统，支持树木计数、胸径估算和冠幅测量等业务化应用。同时，该数据集还可用于无人机激光扫描任务规划算法的验证与优化，为实际野外调查提供先验知识和仿真环境，显著提高林业外业工作的效率与精度。

衍生相关工作

基于CAMP3D数据集衍生的经典工作主要集中在三维点云处理算法创新领域。研究人员利用其丰富的标注数据开发了多种基于深度学习的森林点云分割网络，如改进的PointNet++架构和动态图卷积网络。这些工作不仅推动了森林场景理解的技术进步，还为点云数据处理提供了新的基准测试数据集。此外，该数据集还催生了多个跨学科研究项目，将计算机视觉技术与传统林业应用深度融合，形成了新的研究方向。