Hi3DBench

Hi3DEval是一个用于3D质量评估的注释数据集，它包括对象级别、部分级别和材料主题级别的注释，并提供了由新的3D生成模型生成的3D资源。

原始信息汇总

Hi3DBench 数据集概述

基本描述

• 数据集名称：Hi3DBench
• 全称：hierarchical 3D Benchmark
• 许可证：MIT
• 任务类别：文本到3D、图像到3D
• 语言：英语
• 标签：代码、艺术
• 数据规模：10K-100K
• 配置：object-level

数据集内容

核心特征

• 专为3D质量评估设计的标注数据集
• 包含三个层次标注：对象级、部件级、材质主题
• 扩展自3DGen-Bench数据集
• 包含30个3D生成模型（9个文本到3D模型，21个图像到3D模型）

文件结构

Hi3DBench ├── {method_name}.zip │ ├── 0.ply │ ├── 1.ply │ ├── ... │ └── 509.ply ├── text_prompts.json ├── images_prompts │ ├── 0.rgba │ ├── 1.rgba │ ├── ... │ └── 509.rgba ├── object-level.json ├── part-level.json └── material-subject.json

数据说明

• 提供4,080个3D资产，来自8个图像到3D模型
• 包含510个文本提示和510个图像提示
• 其余资产可从3DGen-Bench数据集的objects字典下载
• 提示集可从3DGen-Bench数据集的gallery字典下载

标注格式

对象级标注

• 文件：object-level.json
• 格式："{task}{method_name}{prompt_idx}": {"dim_name": score}

部件级标注

• 文件：part-level.json
• 格式："{task}{method_name}{prompt_idx}": {"part_idx": {"dim_name": score}}

材质主题标注

• 文件：material-subject.json
• 格式："{task}{method_name}{prompt_idx}": {"dim_name": score}

相关资源

• 项目页面：https://zyh482.github.io/Hi3DEval/
• 论文：https://arxiv.org/abs/2508.05609
• 排行榜：https://huggingface.co/spaces/3DTopia/3DGen-Leaderboard
• 基础数据集：https://huggingface.co/datasets/3DTopia/3DGen-Bench

搜集汇总

数据集介绍

构建方式

在三维生成模型评估领域，Hi3DBench数据集作为3DGen-Bench的扩展，系统整合了30种三维生成模型的输出结果，涵盖文本到三维与图像到三维两大任务类型。其构建过程通过标准化流程收集了来自9类文本生成模型与21类图像生成模型产生的三维资产，并采用分层标注体系对每个生成结果进行多维度质量评估，形成覆盖对象、部件与材质主题的完整注释框架。

特点

该数据集的核心特点体现在其层次化评估体系的设计，通过对象级、部件级和材质主题级三个维度对生成质量进行细粒度解析。数据集包含4080个由图像生成模型创建的三维资产，并完整保留了510组文本与图像提示词，其标注数据以结构化JSON格式存储，支持对不同生成模型在语义一致性、几何精度等关键指标上的横向对比分析。

使用方法

研究人员可通过下载各模型对应的压缩包获取三维网格文件，结合提示词集合与分层标注文件开展评估研究。使用时应先获取3DGen-Bench基础数据集的三维资产，再与本数据集提供的扩展模型生成结果进行整合。标注文件采用“任务_方法名_提示索引”的统一键名格式，支持直接加载至评估流程中实现自动化质量分析，为三维生成模型的性能优化提供实证依据。

背景与挑战

背景概述

三维生成技术作为计算机视觉与图形学交叉领域的前沿方向，近年来因生成式人工智能的突破而备受关注。Hi3DBench数据集由香港中文大学、商汤科技等机构的研究团队于2025年联合发布，其核心目标在于构建具有层次化标注体系的三维生成质量评估基准。该数据集扩展自3DGen-Bench基准套件，整合了30种三维生成模型输出的4080个三维资产，通过对象级、部件级和材质主题级的三层标注体系，为三维生成模型的语义一致性、结构合理性和物理真实性评估提供了系统化解决方案。

当前挑战

在三维生成评估领域，传统方法往往局限于整体质量评估，难以量化生成内容在部件结构、材质属性等细粒度维度的缺陷。Hi3DBench通过构建层次化评估体系，重点突破了对生成模型在几何拓扑合理性、部件语义对齐及材质物理属性等多维度的量化评估难题。数据构建过程中，研究团队需解决跨模态标注一致性难题，包括文本描述与三维结构映射的模糊性、部件分割边界的主观差异，以及不同生成模型输出格式的统一化处理，这些挑战均通过设计标准化标注协议与交叉验证机制得以系统化应对。

常用场景

经典使用场景

在三维生成模型研究领域，Hi3DBench数据集通过提供对象级、部件级和材质主题等多层次标注，成为评估文本到三维和图像到三维生成质量的核心工具。该数据集整合了30种前沿生成模型的输出结果，支持研究者系统分析模型在几何结构、语义一致性和视觉保真度等方面的表现，为三维内容生成的量化比较奠定了坚实基础。

实际应用

在工业设计、虚拟现实和数字娱乐等实际场景中，Hi3DBench为三维内容生成管线提供了关键的质量控制参照。基于其标准化评估结果，企业能够筛选出适用于特定场景的生成模型，显著提升自动驾驶仿真环境构建、游戏资产自动化生成等应用的可靠性与效率，加速三维生成技术的产业化落地进程。

衍生相关工作

该数据集催生了包括Hi3DEval评估框架在内的系列创新研究，其层次化标注体系启发了多尺度三维质量分析的新范式。相关研究通过引入动态权重分配和跨模态对齐机制，进一步拓展了三维生成模型的评估维度，为后续工作如Progressive3D-Eval和Struct3D-Metric等基准方法的建立提供了理论依据与数据支撑。