ScanWCF

ScanWCF是一个针对室内场景实例完成任务的新数据集，由俄勒冈州立大学创建。该数据集包含部分扫描和齐整的地面真实网格，这些网格是标注的、无碰撞的，并 watertight。ScanWCF旨在解决现有数据集在地标真实数据中存在错误的问题，为评估实例场景完成任务的可靠性提供支持。

ScanWCF is a novel dataset for indoor scene instance completion tasks, developed by Oregon State University. This dataset includes partially scanned and aligned ground-truth meshes, which are annotated, collision-free, and watertight. ScanWCF aims to address the errors present in the ground-truth data of existing datasets, providing support for evaluating the reliability of instance scene completion tasks.

搜集汇总

数据集介绍

构建方式

ScanWCF数据集构建过程体现了对三维场景理解任务的严谨设计。该数据集基于ScanNet和ShapeNet的现有数据，通过多阶段优化流程生成：首先利用Scan2CAD的物体匹配关系初始化场景布局，随后通过联合优化物体位姿与尺度实现与真实扫描的对齐，并采用碰撞检测算法确保场景合理性。关键技术在于引入水密性处理流程——使用Wang等人(2022)的方法处理ShapeNet物体网格，同时填补ScanARCW背景网格的孔洞，最终通过手动验证确保场景无碰撞且物理合理。为生成对齐的局部扫描，研究团队采用多视角深度图渲染与反向投影技术，从10个不同视角合成点云数据，并以2cm分辨率进行网格下采样，确保数据精度与计算效率的平衡。

特点

ScanWCF数据集的核心优势体现在三个维度：几何完整性、约束合理性与评估可靠性。其水密性网格设计支持精确的碰撞检测，平均每场景仅0.14%的点存在碰撞，较ScanARCW的2.5%有显著提升。数据集包含1202个室内场景，涵盖34类ShapeNet物体，每个场景提供多视角对齐的局部扫描与完整网格标注。独特的场景约束表示法（自由空间与遮挡空间的双层边界点云）为模型提供了显式的物理约束信息。与现有数据集相比，ScanWCF通过严格的位姿优化流程解决了Scan2CAD的标注不对齐问题，同时避免了ScanARCW的标注碰撞缺陷，为实例场景补全任务建立了新的可靠性基准。

使用方法

该数据集支持端到端的实例场景补全任务评估，需配合三阶段流程使用：首先通过Mask3D等实例分割模型分解场景物体，随后将各物体输入补全网络生成完整几何，最后利用NKSR进行网格重建。评估时可采用多粒度指标体系：在物体级别使用倒角距离(CD)和光线场距离(LFD)衡量补全质量，在场景级别通过单向豪斯多夫距离(UHD)评估局部扫描保真度，并采用碰撞百分比(%COL)量化场景合理性。数据集提供预定义的训练-测试划分（946/246场景），建议在使用时遵循原文的2cm点云分辨率与4.7cm体素化标准，以确保结果可比性。对于生成式任务，可通过调整相机视角子集来创建不同完整度的局部扫描变体。

背景与挑战

背景概述

ScanWCF数据集由俄勒冈州立大学的Wesley Khademi和Li Fuxin团队于2025年提出，旨在解决室内场景中基于点云的实例补全任务。该数据集通过整合ScanNet和ShapeNet的数据，提供了对齐的部分扫描和水密、无碰撞的完整场景网格，弥补了现有数据集在真实扫描与合成网格对齐性及碰撞检测方面的不足。ScanWCF的推出显著提升了3D场景理解领域的研究水平，尤其在机器人导航和抓取规划等下游任务中展现出重要价值。

当前挑战

ScanWCF数据集面临的挑战主要包括两方面：领域问题的挑战和构建过程的挑战。在领域问题方面，该数据集旨在解决复杂室内场景中实例级别的几何补全问题，需处理物体在任意尺度和姿态下的补全，同时避免与场景中其他物体发生碰撞。在构建过程中，研究人员需克服真实扫描与合成网格的对齐难题，确保补全结果的几何准确性和物理合理性，并通过手动验证消除数据中的碰撞问题，保证数据集的可靠性。

常用场景

经典使用场景

ScanWCF数据集在三维场景理解与物体补全领域具有广泛的应用价值。该数据集主要用于评估和优化基于点云的实例场景补全算法，特别是在室内场景中。通过提供带有标注的部分扫描数据和对齐的无碰撞、水密的地面真实补全结果，ScanWCF为研究人员提供了一个可靠的基准，用于验证算法在复杂场景中的表现。其经典使用场景包括机器人导航、抓取规划以及增强现实等需要高精度三维场景重建的应用。

解决学术问题

ScanWCF数据集解决了三维场景补全中的多个关键学术问题。首先，它通过提供对齐的部分扫描和地面真实补全数据，解决了现有数据集中对齐不准确的问题。其次，该数据集通过确保补全结果的无碰撞性和水密性，为评估算法的场景合理性提供了可靠依据。此外，ScanWCF还支持研究如何在任意尺度和姿态下完成物体补全，同时考虑场景约束（如已知的自由空间和遮挡空间），从而推动了点云补全算法在复杂场景中的应用。

衍生相关工作

ScanWCF数据集衍生了一系列相关研究工作。例如，基于该数据集的研究提出了多种点云补全算法，如结合场景约束的跨注意力机制和全局注意力机制。此外，ScanWCF还启发了对无碰撞补全和水密性补全的研究，推动了三维场景理解领域的进步。相关经典工作包括RfD-Net、DIMR等实例场景补全方法，这些方法在ScanWCF数据集上进行了广泛验证，进一步优化了算法性能。