Edit3D-Bench

Edit3D-Bench是一个由人类标注的数据集，包含数百个样本，每个样本都有精心标记的3D编辑区域。该数据集旨在评估VoxHammer方法在保持未编辑区域一致性和整体质量方面的性能。

Edit3D-Bench is a human-annotated dataset containing hundreds of samples, each with meticulously annotated 3D editing regions. This dataset is designed to evaluate the performance of the VoxHammer method in preserving both the consistency of unedited regions and the overall quality of the content.

搜集汇总

数据集介绍

构建方式

在三维编辑技术蓬勃发展的背景下，Edit3D-Bench的构建采用了严谨的人工标注流程。该数据集从Google Scanned Objects和PartObjaverse-Tiny中精选100个高质量三维模型，每个模型配备3组不同的编辑指令。专业标注人员对每个样本进行精细的三维编辑区域标注，同时提供原始模型渲染图、二维编辑掩码、FLUX.1生成的编辑目标图像以及三维空间精确编辑掩码，形成完整的评估体系。

特点

作为三维局部编辑领域的专业评估基准，Edit3D-Bench具备显著的标注精度与结构完整性。其核心特征体现在每个样本均配备人工标注的三维编辑区域边界，能够精确量化编辑方法对未修改区域的保持能力。数据集涵盖多样化的编辑场景，包括物体部件替换、材质修改等复杂操作，为评估编辑精度、区域保持一致性和整体质量提供多维度验证基础。

使用方法

该数据集主要服务于三维编辑算法的系统性评估。研究人员可通过计算未编辑区域的Chamfer Distance几何一致性指标，结合多视角渲染图像的PSNR、SSIM和LPIPS纹理保真度指标，量化评估编辑方法的区域保持能力。同时利用FID、FVD评估整体三维质量，并通过CLIP-T和DINO-I指标验证编辑结果与文本、图像条件的对齐程度，形成完整的性能评估闭环。

背景与挑战

背景概述

Edit3D-Bench数据集于2025年由北京航空航天大学、清华大学、中国人民大学与腾讯混元等机构联合构建，旨在解决三维编辑领域的关键评估瓶颈。该数据集聚焦于三维局部编辑任务，通过人工标注数百个样本的精确编辑区域，为评估编辑后未修改区域的几何一致性与整体模型连贯性提供了标准化基准。其诞生顺应了生成式AI在游戏、机器人交互等领域对高精度三维内容创作的迫切需求，填补了三维编辑评估数据稀缺的空白，为原生三维生成模型的性能验证奠定了数据基础。

当前挑战

三维局部编辑面临双重挑战：在领域问题层面，需在修改指定区域时严格保持未编辑部分的几何结构与纹理一致性，避免多视图重建中的位置偏差与语义泄漏；在构建过程中，因缺乏大规模带标注的三维编辑配对数据，需通过人工精细标注三维空间编辑区域，并协调多视图渲染与三维掩码的对应关系，确保评估标签的精确性与可复现性。

常用场景

经典使用场景

在三维内容创作领域，Edit3D-Bench作为评估基准，主要用于验证局部编辑方法的精确性与一致性。该数据集通过人工标注的编辑区域，为三维模型局部修改任务提供了标准化测试平台，支撑了VoxHammer等先进方法在保持未编辑区域几何纹理一致性的性能验证。

衍生相关工作

基于Edit3D-Bench的评估框架，衍生出如MVEdit的多视图编辑方法、Tailor3D的双侧图像编辑技术等系列研究。这些工作通过对比该基准上的性能表现，持续推动着三维编辑在注意力机制优化、潜在空间操作等方向的创新突破。

数据集最近研究

最新研究方向

在三维内容生成领域，Edit3D-Bench作为首个专注于局部编辑评估的人工标注数据集，正推动着三维编辑技术向更高精度与一致性发展。该数据集通过提供精确标注的编辑区域与多模态条件，为VoxHammer等原生三维编辑方法提供了关键验证基础，有效解决了传统多视图编辑中存在的空间偏差与不一致性问题。当前研究热点集中于利用预训练三维生成模型实现无需训练的局部编辑，通过三维反演与特征替换机制确保未编辑区域的几何与纹理保真度，同时促进高质量配对数据的合成，为上下文三维生成奠定了数据基础。

相关研究论文

• 通过

  北京航空航天大学, 中国人民大学, 清华大学, 腾讯混元项目 · 2025年