ABC Dataset

该数据集旨在支持3D物体识别与重建的任务，特别是表面重建领域。它为研究人员和开发者提供了一组专门用于三维物体表面重构的高质量数据。This dataset aims to support 3D object recognition and reconstruction tasks, with a particular emphasis on surface reconstruction. It provides researchers and developers with a set of high-quality data tailored specifically for 3D object surface reconstruction.

搜集汇总

数据集介绍

构建方式

ABC数据集由德国慕尼黑工业大学、代尔夫特理工大学等机构联合构建，源自大规模CAD模型集合，专门服务于几何深度学习研究。为评估多边形表面重建任务，研究者从原始数据中精选出15339个仅由平面结构构成的CAD模型，确保每个模型均为水密且无多部件干扰。针对点云补全场景，依据AdaPoinTr方法设定三种遮挡等级（简单、中等、困难），分别对应25%、50%和75%的点缺失比例，每个模型在每个遮挡等级下生成八个视角，最终获得368136个点云样本。训练与测试数据严格分离，预留2375个CAD模型用于评估，所有数据归一化至单位对角线长度，以保证实验的公平性与可复现性。

使用方法

使用ABC数据集时，研究者需将输入点云（2048点）与真值点云（8192点）配对，通过GoCoPP等分割方法提取输入中的平面分段，进而训练参数化补全网络。模型输出为一组可变大小的平面基元，每个基元包含平面参数和对应的内点分布，可直接输入PolyFit、KSR或COMPOD等重建求解器生成多边形网格。评估时采用对称倒角距离、豪斯多夫距离和法向一致性作为重建保真度指标，并报告失败率以衡量方法的稳定性。为公平对比，需对所有输出的点密度进行归一化处理，避免因点数差异导致的性能偏差。

背景与挑战

背景概述

ABC数据集由慕尼黑工业大学、代尔夫特理工大学及慕尼黑机器学习中心的研究人员于2019年创建，旨在为几何深度学习提供大规模CAD模型基准。该数据集包含超过一百万条CAD模型，专注于参数化几何表示，核心研究问题在于如何从非结构化点云中恢复高层次的几何结构，以支持多边形表面重建。其影响力深远，不仅推动了点云补全技术的发展，还启发了参数化补全范式（如PaCo方法）的诞生，为处理高度不完整点云数据提供了新标准。

当前挑战

ABC数据集面临的核心挑战源于点云的不完整性，即因遮挡或传感器限制导致的缺失结构，这严重制约了传统多边形表面重建方法的准确性。具体而言，现有点云补全技术虽能恢复缺失点，却忽视了对参数化基元（如平面）的优化，导致重建结果缺乏结构连贯性。此外，构建过程中的挑战包括：从海量CAD模型中筛选仅含平面结构的子集（共15,339个），并定义三种缺失级别（25%、50%、75%）以模拟真实场景，同时确保训练与评估数据的严格分离，这对数据预处理与标准化提出了高要求。

常用场景

经典使用场景

在三维几何处理与计算机图形学领域，ABC数据集作为大规模CAD模型集合，为多边形表面重建任务提供了标准化的基准平台。该数据集包含超过一万五千个仅由平面构成的工业级CAD模型，其丰富的几何结构与规范的平面表示，使其成为评估点云补全与表面重建算法的理想测试床。研究者常利用该数据集构建不同缺失程度的点云样本，通过模拟25%至75%的遮挡比例，系统性地检验算法在极端不完整数据下的鲁棒性。ABC数据集凭借其精确的平面标注与多样的几何复杂度，已成为推动参数化点云补全范式发展的核心数据支撑。

解决学术问题

该数据集有效解决了传统点云补全方法忽视表面参数化结构这一核心学术难题。现有补全技术聚焦于恢复离散点坐标，却难以捕捉多边形表面所需的高层级几何结构，导致重建结果缺乏结构规整性。ABC数据集通过提供完整的平面参数与对应内点标注，使研究者得以提出参数化补全新范式，将补全目标从个体点恢复转向平面基元推理。这一转变显著提升了从严重缺失数据中重建多边形表面的能力，将倒角距离降低至1.87，法向一致性提升至0.943，为不完整数据下的结构化几何重建设立了新标准。

实际应用

在实际应用中，该数据集支撑的算法可广泛部署于三维扫描与逆向工程领域，尤其适用于处理因遮挡或传感器限制导致的点云缺失问题。例如，在机载LiDAR建筑重建中，基于ABC数据集训练的参数化补全模型能够有效恢复被树木或邻近建筑遮挡的立面结构，无需依赖显式规则即可生成规整的多边形表面。此外，该数据集驱动的技术还可用于自动驾驶环境中的道路设施建模、文化遗产数字化保护以及工业零件质量检测等场景，其输出的参数化平面基元直接支持后续的编辑与简化操作，显著提升下游任务的效率与可解释性。

数据集最近研究

最新研究方向

在三维几何处理领域，点云补全与多边形表面重建长期处于割裂状态，传统方法或聚焦于逐点恢复而忽视高层几何结构，或依赖完整输入而难以应对遮挡与传感器噪声。ABC Dataset作为大规模CAD模型集合，为弥合这一鸿沟提供了理想基准。近期研究以PaCo为代表，开创性地提出参数化补全范式，通过恢复平面基元而非孤立点云，将隐式几何结构显式编码为平面参数与内点分布，从而在高度不完整数据场景下实现高质量多边形表面重建。这一方向不仅推动了点云补全从低阶密度优化向高阶结构推理的范式跃迁，更与数字孪生、自动驾驶等对可编辑、可解释三维表征需求迫切的应用形成共振，为几何深度学习树立了结构感知的新标准。

相关研究论文

• Parametric Point Cloud Completion for Polygonal Surface Reconstruction

  慕尼黑工业大学, 代尔夫特理工大学, 慕尼黑机器学习中心 · 2025年