遇见数据集

LuxRemix Dataset

收藏
github2026-06-03 更新2026-06-09 收录
官方服务:

资源简介:

LuxRemix 是一个由Blender渲染的室内场景合成数据集,包含每光源分解(一次一个光源/OLAT),以全景等距柱状HDR格式生成。该数据集旨在训练从单张图像分解和重新混合室内光照的模型。

LuxRemix is a synthetic dataset of indoor scenes rendered with Blender. It includes per-light decomposition (one-light-at-a-time / OLAT) and is generated in equirectangular HDR panoramic format. This dataset is designed to train models for decomposing and remixing indoor lighting from a single image.

创建时间:
2026-05-19
原始信息汇总

LuxRemix 数据集概述

基本信息

数据集简介

LuxRemix 是一个使用 Blender 渲染的室内场景数据集,提供每光源分解(一次一个光源 / OLAT),以全景等距柱状 HDR 格式生成。该数据集专为训练从单张图像分解和重新混合室内照明的模型而设计。

数据集规模与构成

属性 数值
场景总数 12,439(12,039 训练 + 400 测试)
文件总数 ~148万
总大小 ~9.7 TB
分片数量 1,244 个 tar 归档(1,204 训练 + 40 测试),每个约 8 GB
图像分辨率 2048 × 1024(等距柱状全景图)
每场景视点数量 约99%的场景有4个视点;114个场景有3个视点;1个场景有1个视点
每场景光源数量 2–7(均值约5)
文件格式 EXR(HDR)、PNG(LDR + 遮罩)、JPEG(辅助数据)、JSON(元数据)

数据集用途

  • 训练从单张图像进行室内照明分解的模型
  • 实现室内场景照明的重新混合(remixing)

数据集许可证

  • 许可证类型: LuxRemix Dataset License Agreement(源自 Aria Synthetic Environments Dataset License Agreement)
  • 使用限制: 仅限非商业研究用途;未经 Meta 书面许可,禁止重新分发数据

引用格式

bibtex @InProceedings{LuxRemix, author = {Ruofan Liang and Norman M{"u}ller and Ethan Weber and Duncan Zauss and Nandita Vijaykumar and Peter Kontschieder and Christian Richardt}, title = {{LuxRemix}: Lighting Decomposition and Remixing for Indoor Scenes}, booktitle = {CVPR}, year = {2026}, arxiv = {2601.15283}, url = {https://luxremix.github.io}, }

仓库内容

  • 文档: README.md、LICENSE.md、CITATION.cff、CONTRIBUTING.md、CODE_OF_CONDUCT.md、docs/ 目录下的数据卡片、格式说明、使用指南、致谢
  • 下载工具: download.py(支持 HTTPS、并行下载、可选解包)
  • 参考数据加载器: dataset.py(PyTorch IterableDataset)、examples/quickstart.py、examples/training_loop.py
  • 透视图像生成: tools/generate_test_sv.py、tools/generate_test_mv.py、tools/erp_to_perspective.py
  • 可视化: tools/generate_vis_grid.py
  • 清单文件: data/shards_training.json、data/shards_test.json

致谢

LuxRemix 基于 Aria Synthetic Environments 场景、Poly Haven 的环境贴图、Infinigen 程序化资产库以及 EaryChow 的 AgX 色彩科学构建。

搜集汇总
数据集介绍
LuxRemix Dataset 数据集图片
构建方式
LuxRemix数据集基于Blender渲染引擎构建,专注于室内场景的逐光源分解与重混合。该数据集以全景等距柱状投影HDR格式呈现,包含了12,439个精心设计的室内场景,其中12,039个用于训练,400个用于测试。每个场景通过独立的逐光源(OLAT)渲染技术,逐一分离并记录每个光源的独立贡献,从而实现了对室内照明环境的细粒度分解。数据集总计约1.48M个文件,总容量达9.7TB,被划分为1,244个tar归档分片,每个分片约8GB。场景视角分配灵活,大多数场景包含4个不同视点,光源数量在2至7个之间浮动,平均约为5个。文件格式涵盖EXR(HDR)、PNG(LDR与掩码)、JPEG(辅助信息)及JSON(元数据),为多元化的研究需求提供了坚实基础。
特点
该数据集的显著特点在于其高保真度的照明分解能力与大规模场景覆盖。通过OLAT渲染技术,LuxRemix能够从单一图像中精确分离出各个光源的照明效果,为深度学习模型提供了理想的训练数据以学习照明解耦与重混合。数据集包含的12,439个场景跨越了丰富的室内环境类型,每个场景均以2048×1024像素的高分辨率全景图像呈现,确保了细节的丰富性。此外,灵活的视角与光源配置使得数据集具备高度的多样性,能够有效支撑模型在复杂照明条件下的泛化能力。数据集的系统性设计,包括明确的文件格式规范与元数据结构,进一步增强了其可用性与可复现性,为室内照明分析研究树立了新的标杆。
使用方法
使用LuxRemix数据集时,研究者可通过GitHub仓库提供的工具链与参考数据加载器高效访问。首先,需安装依赖项并初始化子模块以获取AgX颜色配置。随后,从数据集门户获取分片列表文件,并通过下载脚本并行获取数据,支持选择性地解包tar归档。仓库内置了PyTorch的IterableDataset实现,可直接用于模型训练循环,提供了快速入门与训练循环示例。对于需要生成透视图的研究,工具包支持从全景图重新投影到透视视角,并内置了多种掩码策略与相机参数配置。数据集以非商业研究许可发布,下载与使用需遵守相关协议,禁止未经授权的数据再分发。完整的文档覆盖了分片清单、格式说明与使用指南,确保研究者能够无缝集成该数据集到其工作流中。
背景与挑战
背景概述
LuxRemix数据集由Ruofan Liang、Norman Müller等来自Meta及多所高校的研究人员于2026年创建,旨在突破室内场景光照分解与重混合的技术瓶颈。该数据集通过Blender渲染生成,包含12,439个室内场景的全景HDR图像,每个场景均提供逐光源分解标注(OLAT),为从单张图像中分离并重新组合光照成分提供了大规模、高精度的训练资源。其发布为计算机视觉与图形学领域中光照估计、增强现实、虚拟场景编辑等任务奠定了重要基础,推动了室内环境光照理解与合成的研究进程。
当前挑战
该数据集所解决的领域问题核心在于:从单一图像中精准分离多光源贡献并实现光照重编辑,传统方法难以处理复杂室内场景中光源间交互、阴影嵌套及材质反射等非线性效应。构建过程中面临多重挑战:需在Blender中为超1.2万场景逐一配置2至7个光源并渲染全景HDR,确保物理一致性;数据总量达9.7TB,需高效分片存储与传输;还需设计可靠的标注策略,包含光照、材质、几何等多模态信息,并克服不同场景视角差异带来的数据配准困难,最终产出高质量训练样本。
常用场景
经典使用场景
在计算摄影与计算机图形学领域,LuxRemix数据集凭借其逐光源分解(OLAT)的室内场景全景HDR图像,为光照解耦与重混任务提供了前所未有的训练资源。研究者可基于该数据集的12,439个场景、每个场景2至7个独立光源的精确标注,训练深度学习模型从单张全景图像中分离出各光源的贡献并重新组合光照效果。其典型使用场景涵盖室内光照编辑、虚拟物体插入时的一致性光照合成,以及基于图像的光照估计挑战,尤其适用于需要精细控制每个光源独立属性的研究工作。
衍生相关工作
基于LuxRemix数据集已衍生出多项开创性研究成果,例如利用其逐光源标注训练神经辐射场(NeRF)变体以实现可编辑光照的神经渲染管线,以及将其作为辅助数据提升单图像重光照网络的泛化能力。研究者还将该数据集与物理渲染引擎结合,提出面向室内场景的光照迁移生成对抗网络(GAN),实现了源场景与目标场景间逼真的光照风格迁移。此外,依托其高精度多光源分解特性,相关工作已拓展至室外场景的光照分解基准构建,推动了全场景光照理解研究从仿真数据向真实复杂环境的跨越。
数据集最近研究
最新研究方向
随着增强现实(AR)和虚拟现实(VR)技术的蓬勃发展,真实感光照的实时分解与重绘成为沉浸式体验的核心挑战。LuxRemix数据集应运而生,其基于Blender渲染的12,439个室内场景,提供全景等距柱状HDR图像中每个光源的逐光分解(OLAT)数据,为从单张图像解耦并重组合成室内光照开辟了新路径。该数据集在CVPR 2026上亮相,与Meta的Aria Synthetic Environments等前沿资源整合,规模达9.7TB,支持从约5个光源的复杂场景中学习光照分解。这项进展不仅推动了逆渲染和神经光照重建的研究边界,更为AR/VR应用中的动态光影编辑与场景合成提供了高质量训练基准,成为连接物理世界与数字空间的重要桥梁。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务