SplArt-PMS, SplArt-Real, PARIS-PMS, PARIS-Real

SplArt PartNet-Mobility子集（SplArt-PMS）是一个预生成的数据集，可以从指定链接下载或按照步骤自行生成。SplArt真实世界数据集（SplArt-Real）是一个准备好的数据集，可以从指定链接下载。PARIS PartNet-Mobility子集（PARIS-PMS）和PARIS真实世界数据集（PARIS-Real）是经过转换以兼容SplArt的数据集，可以从指定链接下载。

The SplArt PartNet-Mobility subset (SplArt-PMS) is a pre-generated dataset that can be downloaded from a designated link or self-generated by following the specified procedures. The SplArt real-world dataset (SplArt-Real) is a ready-to-use dataset that can be downloaded from a designated link. The PARIS PartNet-Mobility subset (PARIS-PMS) and PARIS real-world dataset (PARIS-Real) are datasets converted to be compatible with SplArt, and can be downloaded from a designated link.

原始信息汇总

SplArt 数据集概述

数据集简介

SplArt 是一个用于关节估计和部件级重建的3D高斯喷洒数据集，支持以下子数据集：

• SplArt PartNet-Mobility Subset (SplArt-PMS)
• SplArt Real-World Dataset (SplArt-Real)
• PARIS PartNet-Mobility Subset (PARIS-PMS)
• PARIS Real-World Dataset (PARIS-Real)

数据集结构

datasets/splart ├── paris-pms │ ├── blade │ ├── foldchair │ ├── fridge │ ⋮ ├── paris-real │ ├── real_fridge │ └── real_storage ├── splart-pms │ ├── 100247-Box │ ├── 100248-Suitcase │ ├── 100460-Bucket │ ⋮ └── splart-real ├── cabinet ├── glasses ├── monitor_1 ⋮

数据集下载

1. SplArt-PMS

   • 下载地址：https://drive.google.com/file/d/1rlinQn2NAHJfQed4Tg_cbldeHkDJucaF/view?usp=drive_link
   • 生成方法：
     • 下载完整PartNet-Mobility数据集
     • 运行 python prep_splart_pms.py

2. SplArt-Real

   • 下载地址：https://drive.google.com/file/d/1CE6XvYYYyGXOTpMyzwOSdofrnHI8cKUQ/view?usp=drive_link

3. PARIS-PMS

   • 下载地址：https://drive.google.com/file/d/1zdNa5WTtc8ScLRSRQ0BnCHz_dSWV9t6_/view?usp=drive_link

4. PARIS-Real

   • 下载地址：https://drive.google.com/file/d/1C-LLmm9HGovQV0IyO7UUsG_2LZS85yos/view?usp=drive_link

训练示例

bash dataset=splart-pms obj=103031-CoffeeMachine timestamp=$(date -u +%Y-%m-%dT%H:%M:%SZ) ns-train splart --output-dir model_ckpts/$dataset --experiment-name $obj/$timestamp --vis wandb --data datasets/splart/$dataset/$obj --max-num-iterations 25000 --pipeline.model.num-random 999999 --pipeline.model.random-scale 1.3

评估

1. 定性评估 bash python splart_renderer.py --dataset $dataset --scene $obj --timestamps $timestamp

2. 定量评估 bash python eval.py --dataset $dataset --timestamp $timestamp

引用

bibtex @misc{lin2025splart, title={SplArt: Articulation Estimation and Part-Level Reconstruction with 3D Gaussian Splatting}, author={Shengjie Lin and Jiading Fang and Muhammad Zubair Irshad and Vitor Campagnolo Guizilini and Rares Andrei Ambrus and Greg Shakhnarovich and Matthew R. Walter}, year={2025}, eprint={2506.03594}, archivePrefix={arXiv}, primaryClass={cs.GR}, url={https://arxiv.org/abs/2506.03594}, }

搜集汇总

数据集介绍

构建方式

在三维视觉与物体重建领域，SplArt系列数据集通过多模态数据融合技术构建而成。SplArt-PMS基于PartNet-Mobility数据集进行扩展，采用自动化脚本prep_splart_pms.py对原始三维模型进行结构化处理，提取可动部件层级信息；SplArt-Real则通过真实场景扫描与标注流程构建，配套的Jupyter Notebook提供了自定义数据采集的标准化流程。PARIS系列数据集则通过格式转换工具，将原有数据集适配至3D高斯泼溅算法的输入规范，确保多源数据的兼容性。

使用方法

研究者可通过ns-train命令启动基于3D高斯泼溅的端到端训练，数据集路径参数支持灵活配置。典型工作流包含三个阶段：使用splart_renderer.py进行可视化验证，通过eval.py脚本计算部件重建的CD、EMD等几何指标，最终利用预训练模型实现新物体的关节参数预测。数据加载模块自动处理不同来源的格式差异，支持实时渲染与批处理模式，实验配置可通过YAML文件实现全流程参数化控制。

背景与挑战

背景概述

SplArt-PMS、SplArt-Real、PARIS-PMS和PARIS-Real数据集是由Shengjie Lin等研究人员于2025年提出的，旨在通过3D高斯泼溅技术实现关节估计和部件级重建。这些数据集基于PartNet-Mobility数据集和真实世界场景构建，专注于解决复杂物体结构分解与动态建模的核心问题。该研究由多所知名机构合作完成，包括芝加哥丰田技术研究所和麻省理工学院等，其成果发表在计算机图形学顶级会议arXiv上，为三维重建和机器人操作领域提供了重要的基准数据。

当前挑战

该数据集面临的挑战主要体现在两个方面：在领域问题层面，如何准确捕捉具有复杂关节结构的物体部件运动轨迹，以及实现高保真度的部件级三维重建，这对现有算法的泛化能力提出了严峻考验；在构建过程层面，真实世界场景的数据采集受到环境光照、遮挡物干扰，而合成数据则需要平衡物理仿真精度与计算成本，同时确保不同模态数据间的标注一致性。多视角数据对齐和动态物体运动轨迹的精确标注进一步增加了数据集构建的复杂度。

常用场景

经典使用场景

在计算机视觉与三维重建领域，SplArt系列数据集为研究关节估计和部件级重建提供了丰富的实验平台。通过3D高斯泼溅技术，该数据集能够精确捕捉物体的关节结构和部件细节，广泛应用于机器人操作、虚拟现实和增强现实等场景。其高精度的三维重建能力为复杂物体的动态模拟和交互式应用奠定了坚实基础。

解决学术问题

SplArt系列数据集有效解决了三维物体部件级重建中的关键问题，如关节结构的精确估计和动态模拟。通过提供高质量的标注数据和多样化的物体样本，该数据集显著提升了部件分割和运动学分析的准确性。其学术意义在于推动了计算机图形学与机器人学在复杂物体建模领域的交叉研究，为后续算法开发提供了可靠基准。

实际应用

在实际应用中，SplArt数据集被广泛应用于智能家居、工业自动化和医疗机器人等领域。例如，在智能仓储系统中，基于该数据集训练的模型能够准确识别货架物品的部件结构，优化抓取和摆放策略。其真实世界数据集的引入，进一步缩小了仿真环境与实际应用之间的性能差距，提升了算法的泛化能力。

数据集最近研究

最新研究方向

在三维视觉与计算机图形学领域，SplArt系列数据集（SplArt-PMS、SplArt-Real、PARIS-PMS、PARIS-Real）的推出为基于3D高斯泼溅（3D Gaussian Splatting）的关节估计与部件级重建研究提供了重要基准。该数据集通过融合合成数据（PartNet-Mobility子集）与真实场景采集数据，推动了动态物体建模与交互式场景理解的技术边界。当前研究聚焦于利用神经辐射场（NeRF）与可微分渲染技术，实现高保真部件运动建模及实时渲染，相关成果在机器人操作、增强现实等应用场景展现出突破性潜力。数据集的设计兼顾几何精度与物理合理性，为多模态学习、跨域迁移等前沿方向提供了标准化评估框架。