validation / test dataset

验证/测试数据集可以从提供的百度网盘链接下载。验证集索引文件位于./data/val_index。

Validation and test datasets can be downloaded via the provided Baidu Netdisk link. The validation set index file is located at ./data/val_index.

原始信息汇总

DensiCrafter 数据集概述

数据集简介

DensiCrafter 是一个专注于生成轻量化、自支撑三维空心结构的数据集，其核心方法是通过密度场优化，在满足物理约束和可制造性的前提下，从多模态输入（如文本或图像）自动合成几何与纹理。

关键特性

• 物理约束生成：通过引入三个可微分的、物理约束的、无需仿真的损失项（包括质量正则化项和受限优化域）来确保结构稳定。
• 轻量化设计：实验证明，在文本到3D生成任务中，材料质量最多可减少43%，同时保持高几何保真度。
• 即插即用：框架可与预训练的基于TRELLIS的3D生成模型（如TRELLIS、DSO）无缝集成，无需修改模型架构。
• 可制造性验证：通过真实世界的3D打印测试，验证了生成的空心结构是可制造且自支撑的。

数据集内容与获取

• 验证/测试数据集可通过百度网盘下载。
• 下载地址：https://pan.baidu.com/s/1Wr06oLWo7z7-Ba9h91Zcew?pwd=jtbw
• 验证集索引文件路径：./data/val_index

相关模型与依赖

• 基础生成模型：依赖于TRELLIS模型，需从其官方仓库（https://github.com/microsoft/TRELLIS ）安装。
• 评估依赖：
  • 物理仿真：MuJoCo
  • 网格渲染：Blender 及 bpy 模块。

评估方法

评估脚本为 evaluation.py。评估指标包括体积、站立状态、旋转角度、倒角距离（chamfer distance）、F分数和CLIP分数等。

引用信息

如需在研究中引用此数据集，请使用以下文献：

@article{dang2025densicrafter, title={DensiCrafter: Physically-Constrained Generation and Fabrication of Self-Supporting Hollow Structures}, author={Dang, Shengqi and Chai, Fu and Li, Jiaxin and Yuan, Chao and Ye, Wei and Cao, Nan}, journal={arXiv preprint arXiv:2511.09298}, year={2025} }

搜集汇总

数据集介绍

构建方式

在三维生成模型快速发展的背景下，DensiCrafter数据集通过密度场优化技术构建，旨在生成轻量化且自支撑的空心结构。该数据集以TRELLIS生成的粗体素网格为起点，将其重新解释为连续密度场，并引入三个可微分的物理约束损失项，包括质量正则化项和受限优化域，从而在无需修改预训练模型架构的前提下，有效减少材料质量并保持几何保真度。

使用方法

使用该数据集时，需先安装TRELLIS框架并配置相应环境。用户可通过运行提供的Python脚本，调用预训练管道进行图像或文本到三维的生成任务。数据集包含验证集索引文件，便于定位测试样本。评估过程依赖MuJoCo和Blender等工具，通过执行评估脚本可计算体积、支撑性、倒角距离等多项指标，以量化生成结构的物理与几何性能。

背景与挑战

背景概述

在三维生成模型迅猛发展的背景下，自动从文本或图像等多模态输入合成几何与纹理已成为可能。然而，现有方法普遍忽视物理约束与可制造性，导致生成的设计难以实际制造或结构不稳定。DensiCrafter数据集由微软研究院等机构的研究团队于2025年提出，旨在通过密度场优化生成轻量化、自支撑的三维空心结构，核心研究问题聚焦于在保持几何保真度的同时，显著降低材料质量并确保结构稳定性。该工作基于预训练的TRELLIS模型，无需修改架构即可无缝集成，为计算机图形学与增材制造领域的交叉研究提供了关键基准，推动了面向制造的三维生成技术的发展。

当前挑战

该数据集致力于解决面向制造的三维生成领域的关键挑战：如何生成既满足轻量化要求，又具备自支撑能力且易于制造的空心结构。具体而言，挑战包括在密度场优化中平衡材料削减与结构完整性，避免生成内部脆弱或无法打印的几何形态。在构建过程中，研究团队需设计无需仿真的可微分物理约束损失函数，如质量正则化项与受限优化域，以在粗体素网格上实现连续密度场的精确控制，同时确保生成结果与外部几何的一致性，并通过真实三维打印验证其可制造性。

常用场景

经典使用场景

在计算机图形学与三维生成领域，DensiCrafter数据集作为验证集，主要用于评估和优化基于密度场的自支撑空心结构生成模型。该数据集通过提供多样化的三维模型样本，支持研究者对生成结构的物理约束（如材料质量、几何保真度）进行定量分析，典型场景包括文本到三维、单视图到三维以及多视图到三维的生成任务验证。

解决学术问题

该数据集有效应对了三维生成模型中长期存在的物理可行性与制造性挑战，通过引入质量正则化等约束，显著减少了生成结构的材料消耗（实验显示质量降低高达43%），同时确保几何完整性和结构自支撑性。这为生成式人工智能在实体制造领域的应用提供了理论基础，推动了可制造三维设计从理论到实践的跨越。

实际应用

在实际应用中，DensiCrafter数据集支撑了轻量化、可打印三维结构的快速原型设计，特别适用于增材制造（如3D打印）领域。通过生成自支撑空心模型，它能够直接指导实体物件的制造，降低材料成本并提升结构稳定性，为个性化定制、工业设计以及建筑模型等场景提供了高效解决方案。

数据集最近研究

最新研究方向

在三维生成模型领域，随着自动合成几何与纹理技术的快速发展，物理约束与可制造性成为前沿研究的关键挑战。DensiCrafter数据集聚焦于通过密度场优化生成轻量化、自支撑的中空结构，其核心在于引入可微分的物理约束损失函数，在无需架构修改的前提下与预训练模型无缝集成。这一方向紧密关联增材制造中的材料节约与结构稳定性热点，实验证明可实现高达43%的材料质量减少，同时保持高几何保真度。该数据集推动了生成式设计与实际制造之间的桥梁构建，为文本到三维、图像到三维等任务提供了可验证的物理基础，对促进可持续制造与智能化设计具有深远意义。