LuMon

LuMon是由中东技术大学团队开发的月球单目深度估计综合基准数据集，包含真实嫦娥三号任务的高质量立体视觉深度数据及CHERI暗模拟数据集。该数据集涵盖6个子集，包含合成数据、地球模拟环境和真实月球影像，总数据量未明确但覆盖多种分辨率（最高2352×1728像素）和深度范围（最大50米）。数据通过立体重建技术生成，并经过严格的亚像素级校正和度量验证。其核心应用是解决月球车在极端光照、无大气散射条件下的自主导航问题，为地外感知领域提供首个跨域评估标准。LuMon is a comprehensive benchmark dataset for lunar monocular depth estimation, developed by the team at Middle East Technical University. It includes high-quality stereo vision depth data from the real Chang'e 3 mission and the CHERI dark simulation dataset. This dataset consists of 6 subsets, covering synthetic data, Earth-simulated environments, and real lunar imagery. The total dataset size is unspecified, yet it spans multiple resolutions (up to 2352×1728 pixels) and depth ranges (up to 50 meters). The data is generated via stereo reconstruction techniques and has undergone strict sub-pixel calibration and metric validation. Its core application is to address the autonomous navigation challenges of lunar rovers under extreme lighting and atmosphere-free conditions, providing the first cross-domain evaluation standard for the extraterrestrial perception field.

原始信息汇总

MetuLuMon

数据集名称

MetuLuMon

数据集地址

https://metulumon.github.io/

数据集描述

MetuLuMon.github.io

搜集汇总

数据集介绍

构建方式

在月球单目深度估计领域，LuMon数据集通过整合多源数据构建了一个综合性基准。其构建过程融合了真实月球任务数据、地球模拟环境以及高保真仿真环境。核心贡献在于为真实的嫦娥三号任务图像生成了高质量立体视觉真值深度，并引入了新颖的CHERI暗光模拟数据集。针对嫦娥三号等缺乏原生深度数据的图像，研究团队采用立体重建技术构建真值：首先通过稀疏ORB特征对应关系精炼立体几何以确保严格的极线一致性，随后应用亚像素级精确校正，并利用FoundationStereo生成视差图，最终转换为度量深度。同时，数据集还纳入了现有的Etna-LRNT和Etna-S3LI模拟数据集，以及LunarSim和LuSNAR两个高精度仿真环境，从而形成了一个覆盖仿真、模拟与真实场景的跨域数据集合。

特点

LuMon数据集展现出若干显著特点，使其在月球感知研究中具有独特价值。数据集的核心优势在于其多样性与真实性，它首次提供了基于真实嫦娥三号任务的度量深度真值，直接反映了月球表面的极端光照、无大气散射及低纹理月壤等挑战性条件。CHERI暗光模拟数据集则专门模拟了月球极区的高对比度阴影环境，弥补了现有地球模拟在光照条件上的不足。此外，数据集包含了详尽的语义标注（如月壤、岩石、陨石坑）和光照条件掩码，支持针对特定地形和照明挑战的细粒度分析。其跨域特性——涵盖合成、模拟与真实数据——为系统评估模型从仿真到现实的迁移能力提供了坚实基础，并揭示了当前模型在复杂几何（如陨石坑）和极端光照下性能严重衰退的关键局限。

使用方法

LuMon数据集作为一个综合性基准与开发套件，为评估和推进月球单目深度估计方法提供了标准化框架。研究人员可利用其六个子数据集对现有模型进行零样本性能评估，系统测试模型在合成、模拟及真实月球图像上的泛化能力。数据集支持多维度分析，包括在特定挑战性条件（如阴影区域、不同地质构造、不同深度区间）下的鲁棒性测试，以及模型计算效率的评估。此外，套件内集成的下游任务管道（如基于MADPose的相对位姿估计）允许量化深度预测质量对机器人自主导航的直接影响。用户还可基于提供的LoRA微调基准，在LuSNAR等合成数据上进行领域自适应实验，以探索缓解仿真与现实间域差距的策略。该套件旨在为地外感知与域适应研究的未来发展确立标准并指引方向。

背景与挑战

背景概述

随着月球探测任务的深入，自主月球车导航对单目深度估计技术提出了迫切需求。LuMon数据集由中东技术大学的研究团队于2026年提出，旨在解决地球与月球环境间的严重视觉域差异问题。该数据集整合了嫦娥三号任务的真实立体影像、CHERI暗光模拟环境以及多种合成与模拟数据，构建了首个面向月球表面的综合性单目深度估计基准。其核心研究在于评估现有深度学习模型在月球极端光照、无纹理月壤及独特地形下的泛化能力，为地外感知与域适应研究奠定了标准化基础，推动了自主太空机器人导航技术的发展。

当前挑战

LuMon数据集所应对的领域挑战集中于月球单目深度估计的极端环境适应性。月球表面缺乏大气散射，存在高对比度阴影与纹理缺失的月壤，导致从地球训练数据到月球应用的域差异极为显著。现有模型在复杂地形如环形坑、岩石障碍及极端光照条件下性能严重退化。在构建过程中，挑战主要体现在高质量真实地面实况的获取。研究团队需对嫦娥三号原始立体影像进行精密立体重建，生成度量深度真值；同时，构建CHERI暗光模拟数据集需在严格控制光照条件下采集并校准，以模拟月球极区光照环境，确保数据集的物理真实性与度量准确性。

常用场景

经典使用场景

在月球探测与自主导航领域，单目深度估计技术对于依赖光学相机的微型月球车至关重要。LuMon数据集通过整合真实嫦娥三号任务的高质量立体视觉深度数据与新颖的CHERI暗光模拟数据集，构建了一个全面的评估框架。该数据集最经典的使用场景在于系统性地评估现有深度估计模型在月球极端环境下的零样本泛化能力，涵盖陨石坑、岩石障碍、高对比度阴影及无纹理月壤等多种挑战性条件，为模型在真实外太空部署前的性能验证提供了关键基准。

实际应用

在实际应用层面，LuMon数据集直接服务于未来月球车的自主导航系统开发。通过将深度估计输出集成至相对位姿估计流程，该数据集能够量化深度预测质量对机器人定位与路径规划精度的影响。实验表明，基于度量深度估计模型提供的几何先验，能够在月球表面实现高精度的相对位姿估计，这证明了单目深度估计技术在外太空导航任务中的直接可行性，为资源受限的航天器在轨感知算法部署提供了重要的技术支撑与验证平台。

衍生相关工作

LuMon数据集的推出催生了一系列围绕月球及极端环境感知的研究工作。基于其提供的多领域基准，研究者可以深入探索度量基础模型（如DepthAnything v2、MapAnything）在跨域几何一致性上的优势，以及相对模型与扩散模型在极端光照下的失效机理。该数据集还促进了针对月球地形特性的领域自适应方法研究，例如采用参数高效的微调技术（如LoRA）来缩小模拟与真实数据间的性能差距，同时激发了对于轻量化网络架构、光照不变特征学习等方向的后续探索，推动了地外感知与机器人导航领域的算法进步。