Megascans Plants

现代3d感知图像合成基准有两个问题: 1) 它们包含非常
类似的全局几何形状 (例如，人或猫的脸，汽车和椅子)，以及2) 它们的相机较差
覆盖范围。此外，当对象特征 (例如，FFHQ) 时，其中一些 (例如，FFHQ) 包含3d偏差 (例如，
微笑概率、凝视方向、姿势或发型) 与相机位置相关 [6]。作为
结果，这不允许评估模型表示基础几何的能力，并且
使人们更难理解性能是来自方法上的变化还是更好
数据预处理。
为了缓解这些问题，我们引入了两个新的数据集: Megascans植物 (M-Plants) 和Megascans
食物 (M-食物)。为了构建它们，我们从Quixel Megascans6获得 ≈ 1，500模型
来自植物，
蘑菇和食品类别。Megascans是对真实物体的高质量扫描
几乎与真实没有区别。对于蘑菇和植物，我们将它们合并到相同的食物中
类别，因为他们自己的模型太少了。
我们用相机在搅拌机中渲染所有模型，随机均匀分布在
半径3.5的球体和 π/4的视场。在渲染时，我们将每个模型缩放为 [− 1,1] 3
立方体并丢弃那些尺寸小于2的模型。我们呈现128视图
从固定距离到对象中心的每个对象，从整个对象上的均匀采样点
球体 (甚至从下面)。对于M-Plants，我们另外删除了那些少于
平均0.03像素强度 (计算为像素和视图上的平均 α 值)。这是
需要去除小草或树叶，这将占用太少的像素。作为一个
结果，该程序产生了植物类别的1,108模型和食品的199模型
类。