ReNe (Relighting NeRF)

ReNe数据集是由University of Bologna创建的，专注于真实世界物体的新视角合成和重光照研究。该数据集包含20个场景，总计40000张图像，每个场景有2000张图像，从50个不同视点和40种不同的光照条件下拍摄。数据集的创建过程利用了两个机器人臂，一个持相机，另一个持光源，以确保精确的相机和光源位置。ReNe数据集适用于研究光照条件下的新视角合成，旨在解决逆渲染中的复杂问题，如物体的几何形状、材质特性和光照条件的估计，这些问题的有效解决对于游戏、机器人和增强现实等领域具有重要价值。

The ReNe Dataset was developed by the University of Bologna, focusing on novel view synthesis and relighting research for real-world objects. It contains a total of 40,000 images across 20 scenes, with 2,000 images per scene captured from 50 distinct viewpoints and under 40 different lighting conditions. The dataset was constructed using two robotic arms: one mounted with a camera and the other with a light source, to ensure precise positioning of both the camera and the light source. The ReNe Dataset is suitable for research on novel view synthesis under varying lighting conditions, aiming to address complex problems in inverse rendering, such as the estimation of object geometry, material properties, and lighting conditions. Effective solutions to these issues hold significant value for fields including gaming, robotics, and augmented reality.

搜集汇总

数据集介绍

构建方式

在计算机视觉与图形学领域，实现真实世界物体的新视角合成与重光照一直是一项极具挑战性的任务。ReNe数据集的构建采用了创新的双机器人采集框架，以解决传统方法在获取精确相机与光源位姿真值方面的困难。具体而言，该框架部署了两个高重复性的协作机器人，分别作为CameraBot和LightBot，精确控制工业相机与点光源的位置。通过预先校准的轨迹，相机在50个不同视点、光源在40个不同位置进行组合采集，确保每个场景在单光源条件下获得2000张高分辨率图像。背景采用纹理化墙壁以辅助神经辐射场训练，整套流程实现了对20个包含复杂几何与多样材质物体的高质量数据捕获。

特点

ReNe数据集的核心特点在于其首次在真实世界场景中提供了大规模、多类别物体在单光源条件下的精确标注数据。该数据集涵盖了20个不同场景，每个场景包含2000张图像，并附有高精度的6自由度相机与光源位姿真值。相较于现有重光照数据集，ReNe不仅包含了具有挑战性的投射阴影，还保留了真实的背景信息，避免了背景掩码处理带来的信息损失。数据集的多样性体现在物体几何的复杂性、材质的差异性以及光照条件的丰富性上，为联合新视角合成与重光照任务提供了前所未有的真实世界基准。

使用方法

为促进神经辐射场重光照能力的研究，ReNe数据集提供了结构化的数据划分方案。数据集被明确分为训练集、验证集和测试集，其中测试集进一步划分为‘简单’与‘困难’两个子集。‘简单’测试集评估模型在已见光源、新视角下的表现，而‘困难’测试集则挑战模型在全新光源与新视角下的泛化能力。研究人员可利用该数据集训练和评估神经辐射场及其变体模型，通过优化渲染图像与真实图像之间的差异，探索场景几何、材质属性与光照的分离表示。数据集配套的在线基准平台支持公平、一致的性能比较，旨在推动逆渲染领域的前沿发展。

背景与挑战

背景概述

ReNe（Relighting NeRF）数据集由Eyecan.ai与博洛尼亚大学的研究团队于2023年联合创建，旨在解决神经辐射场（NeRF）在未知光照条件下进行新颖视图合成的核心研究问题。该数据集通过双机械臂采集系统，精准捕捉了20个真实世界物体在单光源时序（OLAT）照明下的多视角图像，并提供了精确的相机与光源位姿标注。其创新性在于首次将复杂几何、多样材质及真实阴影纳入统一基准，推动了逆渲染领域在解耦材质与光照方面的研究进展，为计算机视觉与图形学的交叉应用奠定了数据基础。

当前挑战

ReNe数据集所应对的领域挑战在于神经辐射场模型难以在未知光照条件下实现真实感重照明，因其隐式表示常将材质属性与光照效果纠缠。构建过程中的挑战包括：需设计高精度自动化采集系统以同步获取相机与光源位姿；在真实场景中维持照明一致性并处理复杂阴影；以及确保数据多样性以涵盖不同几何结构与反射特性，避免过拟合。这些挑战共同凸显了该数据集在推动可重照明神经场景表示研究中的关键价值。

常用场景

经典使用场景

在神经辐射场（NeRF）与逆渲染研究领域，ReNe数据集为联合视角合成与重光照任务提供了关键基准。该数据集通过双机械臂系统采集真实物体在单光源条件下的多视角图像，并精确标注相机与光源位姿，使得研究者能够系统评估模型在未知光照下生成新视图的能力。其经典应用场景包括训练和验证能够解耦材质与光照的神经渲染架构，为复杂几何与挑战性材质的真实物体重光照研究奠定数据基础。

实际应用

在增强现实、虚拟试穿与数字孪生等实际应用中，ReNe数据集支持的高质量重光照技术具有重要价值。基于该数据集训练的模型能够将物体置于任意虚拟光照环境中，实现逼真的渲染效果，提升用户体验。例如，在电子商务中，商品可在不同光照条件下展示；在影视制作中，虚拟物体能够与实拍场景的光照无缝融合。这些应用依赖于数据集提供的真实世界复杂阴影与材质交互数据，确保了渲染结果的物理可信度。

衍生相关工作

ReNe数据集催生了一系列专注于神经辐射场重光照的衍生研究。基于该数据集，研究者提出了多种改进架构，如通过分离阴影预测网络与BRDF近似网络来建模光照交互的轻量级方法。这些工作探索了相对光源位置编码、神经可见性近似等关键技术，显著提升了模型在复杂阴影与反射条件下的渲染质量。该数据集亦促进了NeRF与经典渲染方程的融合，为后续研究如神经反射场与可分解辐射场提供了实验平台与评估标准。