Pano360

Pano360是由影石创新研究团队联合多所高校构建的首个面向大规模户外场景重建的全景数据集，覆盖校园、公园及商业街区等多种真实环境。该数据集包含5,637张高分辨率全景图像（3840×1920），覆盖面积超过200万平方米，并提供了精确的相机位姿标定与稀疏点云数据，为可复现的评估奠定基础。数据采集过程结合了Antigravity A1与Insta360 X5等专业设备，通过精心设计的空间采样策略确保了场景的多样性与几何一致性。该数据集主要应用于计算机视觉领域的大规模户外三维重建与新视角合成任务，旨在解决传统窄视场图像采集成本高昂、全景场景空间划分困难等挑战，推动全景视觉与可扩展三维重建技术的发展。Pano360 is the first panoramic dataset dedicated to large-scale outdoor scene reconstruction, constructed by the Insta360 research team in collaboration with multiple universities. It covers diverse real-world environments including campuses, parks, commercial districts and other scenarios. This dataset contains 5,637 high-resolution panoramic images at a resolution of 3840×1920, spanning an area of over 2 million square meters, and comes with precise camera pose calibration results and sparse point cloud datasets, which lays a solid foundation for reproducible model evaluations. The data collection was carried out using professional equipment such as Antigravity A1 and Insta360 X5, and a meticulously designed spatial sampling strategy was employed to guarantee the diversity and geometric consistency of the captured scenes. This dataset is primarily utilized for large-scale outdoor 3D reconstruction and novel view synthesis tasks within the computer vision field. It aims to address key challenges including the high acquisition costs of traditional narrow-field-of-view (FOV) images and the difficulties in spatial partitioning of panoramic scenes, and advance the development of panoramic vision and scalable 3D reconstruction technologies.

原始信息汇总

数据集概述

数据集名称：Pano360
所属项目：PanoLOG（基于几何与梯度的全景室外重建框架）
发布机构：Insta360 Research 联合中山大学、华南理工大学、中国科学院大学、哈尔滨工程大学、武汉大学

数据集性质

• 首个大规模全景室外3DGS重建基准（Pano360），为全景三维高斯泼溅重建提供标准化测试平台。
• 包含至少4个子场景：A1 Drone子场景（NSC, NSK）、X5 Handheld子场景（BAX, NSN），以及公共全景数据集Ricoh360、360Roam。

数据集用途

• 评估大规模室外场景下的全景3DGS重建性能，支持PSNR、SSIM、LPIPS、模型大小（MB）等指标。
• 用于验证所提出的G2PS（Geometry and Gradient-based Partitioning Strategy）分区策略的有效性。

评价指标

• PSNR（峰值信噪比，↑越高越好）
• SSIM（结构相似性，↑越高越好）
• LPIPS（学习感知图像块相似度，↓越低越好）
• 模型大小（MB，↓越小越好）

代表性定量结果

Pano360数据集（A1 Drone子场景 - NSC）

方法	PSNR↑	SSIM↑	LPIPS↓	模型大小↓ (MB)
H3DGS	27.7787	0.8564	0.2457	1002.1
CityGaussian	27.7340	0.8453	0.2609	523.7
DOGS	26.8486	0.8186	0.2769	1024.0
Momentum-GS	26.4568	0.8311	0.2625	802.5
Ours	28.1838	0.8594	0.2435	463.5

Pano360数据集（X5 Handheld子场景 - NSN）

方法	PSNR↑	SSIM↑	LPIPS↓	模型大小↓ (MB)
H3DGS	23.4464	0.7530	0.3018	5734.4
CityGaussian	21.9492	0.6729	0.4221	526.6
DOGS	22.6743	0.6587	0.4454	774.9
Momentum-GS	22.9746	0.7052	0.3703	1331.2
Ours	24.6095	0.7508	0.3347	766.8

公共全景数据集（Ricoh360）

方法	PSNR↑	SSIM↑	LPIPS↓
OmniGS	26.00	0.828	0.210
3DGS	26.26	0.825	0.225
ODGS	22.71	0.748	0.326
SpaGS	26.11	0.832	0.243
Ours	26.48	0.845	0.183

发布日期与可用性

• 论文与训练代码已发布（arXiv:2607.08769）。
• 数据集及基于Unreal Engine 5.8的3DGS渲染插件将于2026年7月中旬发布。

许可证

• 网页文本与视觉内容遵循CC BY 4.0。
• 算法方法、模型权重及相关知识产权由作者及其所属机构保留。

搜集汇总

数据集介绍

构建方式

Pano360数据集的构建源于对大规模户外场景三维重建需求的深刻洞察。研究团队采集了涵盖校园、公园及两处街景在内的四类典型户外环境，其总面积超过200万平方米，共计5637张高分辨率全景图像（3840×1920像素）。数据采集设备分别采用Antigravity A1无人机与Insta360 X5手持全景相机，以获取多样化的视角与尺度。所有图像均经过严格的内外参标定，并提供对应的稀疏点云，确保后续评估的可重复性与公平性。数据集按照7:1的比例划分训练集与测试集，为全景重建任务提供了标准化的评测基准。

特点

Pano360是大规模户外场景重建领域首个专用全景数据集，其核心特点在于突破了传统针孔相机视角的局限，凭借360度全视野特性单次即可捕获完整环境信息。通过引入视差不确定性与梯度重要性评估机制，数据集有效解决了全景图像中全向可见性导致的分块困难。同时，数据集覆盖了从无人机高空视角到地面手持视角的多种观测尺度，并包含低纹理天空区域、复杂玻璃幕墙及密集植被等挑战性场景，能够全面评估算法在无界环境与几何退化区域的重建鲁棒性。

使用方法

Pano360数据集适用于大规模户外场景的三维高斯泼溅（3DGS）重建方法的训练与评测。使用者可将全景图像直接输入至支持等距柱状投影的渲染管线中，结合提供的相机位姿与稀疏点云进行稠密重建。基准评测中，通过将全景图转换为六面立方体图可兼容传统针孔模型方法。数据集支持基于分块并行的训练范式，用户可依据几何与梯度引导的分区策略自适应划分场景，并在各子块内独立优化高斯原语，最终合并为完整的高质量重建模型。

背景与挑战

背景概述

Pano360数据集由Insta360 Research联合中山大学、华南理工大学、中国科学院大学、哈尔滨工程大学及武汉大学的研究团队于2026年构建，旨在解决大规模户外场景三维重建中数据采集与计算成本高昂的核心问题。该数据集收录了超过200万平方米的城市场景，包含通过Antigravity A1无人机和Insta360 X5手持相机采集的5637张高分辨率（3840×1920）全景图像，覆盖校园、公园及商业街区等多样环境。作为首个面向户外场景重建的大规模全景基准数据集，Pano360提供了标定位姿与稀疏点云，为可重复评估奠定基础，其发布填补了全向视觉在大尺度重建领域的数据空白，对推动自动驾驶仿真、数字孪生及虚拟现实等应用具有重要影响力。

当前挑战

Pano360面临的核心挑战源于全景图像的全向可见性破坏了传统基于针孔相机视锥的分区策略，导致分块优化退化全局训练。具体而言，等距柱状投影的360度视野使得所有空间区域被各视角共同观测，现有方法依赖局部相机视锥的分区策略失效，需设计自适应空间分区与相机分配机制。构建过程中，挑战包括：1) 无界天空与低纹理区域缺乏有效几何约束，易产生浮点伪影；2) 极地区域的像素拉伸导致SfM三角测量稀疏不可靠；3) 大规模场景的GPU内存限制迫使采用分块并行训练，但需避免跨块边界的不一致；4) 动态物体（如行人）引起的鬼影伪影需预处理掩膜以保障静态场景假设的成立。

常用场景

经典使用场景

Pano360数据集专为大尺度室外全景场景重建而设计，其经典使用场景在于评估和验证基于3D高斯泼溅（3DGS）的全景重建方法。研究者可利用该数据集测试全景影像在复杂城市环境中的渲染质量，包括无人机航拍视角与手持相机采集的街道场景。数据集提供的全景图像、标定位姿及稀疏点云为可重复的基准评估奠定了基础，尤其适用于那些需要处理等距柱状投影导致的空间畸变与全局可见性问题的研究工作。Pano360覆盖超过两百万平方米的区域，包含五千余张高分辨率图像，成为首个专门用于户外大规模全景重建的标准化评测平台。

实际应用

在实际应用层面，Pano360数据集及其配套方法为多个高保真三维场景建模领域提供了关键支撑。其高效的全景采集与重建能力可大幅降低自主驾驶模拟环境构建的数据获取成本，通过单次360°拍摄替代传统密集窄视场图像采集流程。此外，该技术可赋能数字孪生城市的快速搭建，支持虚拟旅游、城市规划仿真等沉浸式体验应用。数据集涵盖的无人机与手持设备采集方案，意味着其适用于不同尺度的实际部署场景，从大型商业区到城市自然景观均可实现高质量重建，为工业级大规模3D内容生产提供了切实可行的技术路径。

衍生相关工作

Pano360数据集的发布催生了一系列相关经典工作。在方法论层面，其提出的几何与梯度导向分割策略（G2PS）为后续全景重建研究树立了范式，启发研究者探索视差驱动的不确定性建模与梯度引导的分配机制。在数据驱动维度，该数据集成为验证新型全景深度估计网络（如DAP）和全景神经渲染框架的关键基准。此外，围绕该数据集衍生出对动态场景处理、分层细节层次结构以及跨视角一致性优化等方向的延伸研究，进一步推动了将全景表示从静态、小范围场景推广至动态、大规模城市场景的重建框架发展，形成了一个以高质量全景数据为核心的活跃研究生态。