PC2Model

PC2Model是一个用于点云到模型配准的基准数据集，旨在填补现有基准中关于点云到模型配准的研究空白。该数据集包含六类模拟数据和一类真实数据，提供了地面真实变换，支持经典和基于学习的方法的评估。数据集设计考虑了真实的LiDAR伪影，如遮挡、噪声、测量不准确等，并提供了多样化的对象类别和尺度。

PC2Model is a benchmark dataset for point cloud-to-model registration, aiming to fill the research gap in point cloud-to-model registration among existing benchmark suites. This dataset contains six categories of simulated data and one category of real-world data, and provides ground truth transformations to support the evaluation of both classic and learning-based methods. The dataset is designed with real-world LiDAR artifacts taken into account, such as occlusion, noise, measurement inaccuracies and other similar issues, and offers diverse object categories and scales.

原始信息汇总

PC2Model 数据集概述

数据集简介

PC2Model 是一个面向 三维点云到模型配准 的基准数据集，旨在将三维点云与参考三维模型进行对齐。该数据集填补了点云到模型配准领域现有基准的空白，提供了带有 真实变换矩阵 的专用数据，支持传统方法与基于学习方法的一致性评估。

数据集结构（v1.4版本）

数据集按类别组织，每个类别包含若干样本文件夹，每个样本文件夹包含三个文件：

• model_<sample>.obj：参考三维模型（OBJ格式）
• pointcloud_<sample>_transformed.e57：点云数据（E57格式，包含扫描仪位置和多扫描数据）
• transformation_matrix_pc2model_<sample>.txt：真实变换矩阵（齐次坐标格式，TXT文件）

类别与样本数量

来源	类别	样本数
模拟数据	机械物体	25
模拟数据	家具	25
模拟数据	家居装饰	25
模拟数据	房屋	25
模拟数据	车辆	25
模拟数据	室内空间	6
真实数据	室内空间	6
总计		137

关键特性

混合数据集设计

• 包含六个模拟类别和一个真实类别

真实的LiDAR伪影

• 遮挡与缺失区域
• 噪声与测量误差
• 混合像素
• 点密度变化

真实变换矩阵

• 随机旋转（0°–360°）
• 基于物体尺寸的相对平移
• 可选缩放（50%概率）

数据集多样性

• 多个物体类别与尺度
• 从小物体到大型室内环境

评估协议

使用的评估指标包括：

• LOA（精度水平）：配准点云与模型表面之间的最近点距离的均值和中位数
• LOC（覆盖水平）：在预设距离阈值内被点云覆盖的模型表面点比例
• 变换误差：归一化平移误差（相对于包围盒对角线）和旋转误差（估计旋转与真实旋转之间的测地距离）

数据生成

使用以下工具生成数据集：

• Helios++ 用于LiDAR仿真
• 集成到自定义 Blender插件 中，用于场景设置和扫描仪部署

仿真模拟了 Leica ScanStation P40 地面激光扫描仪，包含光束发散、噪声和遮挡等真实扫描效应。

工具与脚本

相关工具和脚本托管在 GitHub，包括：

• Blender插件
• Helios++配置
• 数据集生成流程
• 实用脚本

应用场景

PC2Model 支持以下领域的研究与开发：

• 使用经典方法（ICP、NDT、FGR）的点云到模型配准
• 基于学习的配准与特征匹配（DCP、PointNetLK）
• 在真实LiDAR伪影（噪声、遮挡、密度变化）下的算法评估
• 大规模复杂场景配准（室内环境和房屋）

数据集更新

• v1.4：首个公开版本，引入基于类别的组织结构，提供参考OBJ模型、变换后的E57点云和每个样本的真实变换矩阵。

下载与许可证

• 数据集托管在 Zenodo（访问链接）
• 采用开放许可证，完整许可条款请参阅Zenodo页面

引用

如果您使用该数据集，请引用：

bibtex @article{Maboudi2026, title = {PC2Model: ISPRS benchmark on 3D point cloud to model registration}, author = {Mehdi Maboudi and Said Harb and Jackson Ferrao and Kourosh Khoshelham and Yelda Turkan and Karam Mawas}, year = {2026} }

搜集汇总

数据集介绍

构建方式

PC2Model数据集专为三维点云与参考模型间的配准任务而设计，弥补了现有基准中该场景探究不足的缺憾。在构建过程中，数据生成依托Helios++激光雷达仿真器与定制化Blender插件协同完成。仿真预设了Leica ScanStation P40地面激光扫描仪参数，并注入了波束发散、测量噪声及遮挡等真实扫描效应，从而模拟出包含六类模拟场景（涵盖机械件、家具、家居装饰、房屋、车辆及室内空间）与一类真实室内场景的混合数据。每个样本均提供OBJ格式的参考模型、E57格式的变换后点云以及对应的齐次变换矩阵，共计137组配准样本。

特点

该数据集具有显著的结构化特点与技术优势。其混合设计中，六类仿真数据与一类真实数据并存，确保了场景覆盖的广度与实用性。点云生动复现了真实LiDAR数据中的典型伪影，如遮挡、噪声、混合像素及密度不均，极具挑战性。每份样本均随附由随机旋转（0°至360°）与基于物体尺度的相对平移生成的真实变换矩阵，并引入50%概率的缩放机制，增强了配准任务的多样性与评测的严谨性。此外，数据集按类别组织，其内部结构清晰，便于研究者快速定位与使用。

使用方法

研究者可依据明确的数据组织结构直接应用本数据集。首先，通过Zenodo平台获取v1.4版本，其中数据按mechanical、furniture、house等类别存放，每类样本文件夹包含model.obj、pointcloud.e57及transformation_matrix.txt三个核心文件。使用时可调用提供的工具仓库中的Blender插件与实用脚本进行数据加载与处理。配准性能评估推荐采用LOA（点云与模型表面最近点距离中位数）、LOC（覆盖比率）以及旋转与平移误差等指标。该数据集适用于经典方法（如ICP、NDT）与基于学习的算法（如DCP、PointNetLK）的基准测试与开发。

背景与挑战

背景概述

PC2Model数据集由ISPRS委员会于2026年发布，主要研究人员包括Mehdi Maboudi、Said Harb、Jackson Ferrao、Kourosh Khoshelham、Yelda Turkan和Karam Mawas。该数据集旨在填补三维点云与参考模型配准领域的基准空缺。尽管点云间配准研究已相对成熟，但点云至模型配准因其独特的应用场景（如逆向工程、文化遗产数字化与室内建图）而面临更高的几何一致性与模型完整性要求。PC2Model通过提供涵盖机械、家具、家饰、房屋、车辆及室内空间的六类仿真数据和一类真实室内场景数据，共计137个样本，为评估经典算法与学习驱动方法提供了标准化平台。其引入的真实激光雷达伪影（如遮挡、噪声与混合像素）与基于Helios++的模拟管线，显著提升了数据集在复杂现实条件下的实用价值，成为该领域关键基准。

当前挑战

PC2Model数据集所解决的领域核心挑战在于点云与模型配准过程中，因几何特征缺失、传感器噪声及视角偏差导致的配准失效问题。与点云间配准不同，点云至模型配准需将稀疏、不完整的扫描数据与完整参考模型对齐，这要求算法具备全局感知与鲁棒性。构建过程中，研究者面临仿真真实性的权衡：既要通过Blender插件与Helios++模拟激光雷达光束发散、遮挡及密度波动，又要确保137个样本的变换矩阵标注无偏差。此外，跨类别数据（如小型家饰与大型室内场景）的尺度差异、旋转范围（0°–360°）与缩放概率（50%）的随机性，进一步加剧了评价指标（如LOA、LOC与变换误差）的一致性维护难度。

常用场景

经典使用场景

在三维视觉与遥感领域，点云配准是空间数据融合与建模的关键环节。PC2Model数据集专为点云到模型配准这一亟待深入探索的任务而设计，其最经典的使用场景是评估与比较不同配准算法在真实感LiDAR伪影（如遮挡、噪声、混合像素与密度变化）下的鲁棒性。研究人员可借助该数据集内精心配对的参考三维模型与经过预设刚性变换的仿真或实测点云，系统性地测试ICP、NDT等经典方法，以及DCP、PointNetLK等学习型方法的配准精度与稳定性。数据集提供了标准化的评价指标（LOA、LOC与变换误差），使得算法性能的横向对比变得严谨可靠。

解决学术问题

PC2Model数据集精准地填补了现有配准基准中一个显著的学术空白：尽管点云与点云间的配准研究已相当成熟，但点云到三维模型的直接配准长期缺乏专有的大规模评测平台。该数据集通过提供包含真实地面变换矩阵的137组样本，涵盖了机械零件、家具、室内场景等六类仿真数据与一类实测数据，有效解决了两个关键学术难题：其一，缺乏同时包含真实传感器伪影与精确真值标签的标准化测试集；其二，难以在统一框架下公平比较传统几何配准与新兴深度学习方法的优劣。其发布推动了配准算法从实验室理想环境向真实应用场景的迁移研究。

衍生相关工作

PC2Model数据集的发布已催生了多项具有影响力的衍生研究工作。最为直接的是，该基准被ISPRS（国际摄影测量与遥感学会）采纳为官方评测竞赛平台，吸引全球研究团队提交配准算法，形成了包括基于改进ICP的变体、结合图优化的多源融合方法以及端到端的深度学习配准网络等一系列参赛成果。此外，研究者利用该数据集深入分析了不同因素（如点密度、遮挡程度、旋转幅度）对配准精度的影响规律，并据此提出了自适应采样策略与离群点剔除模块。部分工作还将该数据集扩展到跨模态配准场景，探索了点云与图像、点云与深度图之间的联合配准方案，进一步拓展了其学术影响力。