PC2Model benchmark

PC2Model是由ISPRS领导的跨机构团队开发的3D点云-模型配准基准数据集，包含137组模拟与真实扫描数据。该数据集采用混合设计，涵盖机械零件、家具、房屋等7类对象，平均单样本点云规模达百万级，数据源自ABC、ModelNet等公开模型库及真实激光扫描。通过可控方式引入噪声、遮挡等现实扫描伪影，并施加随机空间变换作为配准真值。其核心价值在于支持从建筑监测到自动驾驶等领域的三维对齐算法开发，尤其关注模拟数据向真实场景的迁移学习能力验证。PC2Model is a 3D point cloud-model registration benchmark dataset developed by an inter-agency team led by the ISPRS. It contains 137 sets of simulated and real scanned data. Adopting a hybrid design, the dataset covers 7 categories of objects including mechanical parts, furniture, buildings and other items. The average point cloud scale per sample reaches millions of points. The data is sourced from public model repositories such as ABC and ModelNet, as well as real laser scanning data. Realistic scanning artifacts such as noise and occlusion are introduced in a controllable manner, and random spatial transformations are applied as the ground truth for registration. Its core value is to support the development of 3D alignment algorithms in fields ranging from building monitoring to autonomous driving, with a particular focus on validating the transfer learning capability from simulated data to real-world scenarios.

原始信息汇总

数据集概述

PC2Model 是一个公开的 3D 点云到模型配准基准数据集，由 ISPRS ICWG II/Ib 领导开发，并受 ISPRS Scientific Initiatives 2025 资助。该数据集旨在支持经典和基于深度学习的配准方法的训练与评估。

数据集规模与类别

数据集共包含 137 个样本，涵盖七个类别：

来源	类别	样本数量
模拟	机械物体	25
模拟	家具	25
模拟	家居装饰	25
模拟	房屋	25
模拟	车辆	25
模拟	室内空间	6
真实	室内空间	6

每个样本包含的文件

• 3D 模型：.obj 文件。
• 变换后的点云：.e57 文件。
• 真值变换矩阵（点云到模型）：.txt 文件。

数据集设计

• 模拟数据生成：使用集成到 Blender 中的 Helios++ 插件生成，模拟 Leica ScanStation P40 激光扫描仪，包含混合像素、噪声、遮挡和点密度变化等真实扫描伪影。
• 3D 模型来源：包括 ABC、ModelNet40、Fusion 360 Gallery Dataset、Thingi10K、Sketchfab 及 ISPRS indoor modelling 基准数据集等公开数据集和仓库。

变换参数

每个点云应用刚体变换，变换参数如下：

• 旋转：每个轴的角度在 [0°, 360°] 范围内。
• 平移：每个轴的因子在 [-5, 5] × 点云范围。
• 缩放：以 50% 的概率应用，因子在 [0.5, 1.5] 范围内。

评估指标

配准性能评估使用以下指标，并以 ICP（通过 CloudCompare）作为基线：

• LOA（精度水平）：配准点云与模型表面之间最近点距离的平均值和中位数。
• LOC（覆盖率水平）：在预定义距离阈值内，被点云覆盖的模型表面采样点比例。
• 变换误差：包括归一化平移误差（相对于包围盒对角线）和旋转误差（估计旋转与真值旋转之间的测地距离）。

文件信息

• 主文件：PC2Model_v1.4.zip（md5: 1ac19c9485491e92d2abef1991912058）
• 总大小：10.2 GB

搜集汇总

数据集介绍

构建方式

在三维点云与模型配准领域，PC2Model基准数据集采用混合构建策略，巧妙融合了仿真与真实扫描数据。该数据集以Helios++激光雷达仿真平台为核心，对来自公开模型库（如ABC、ModelNet）的137个三维模型进行高保真点云模拟，精确复现了Leica ScanStation P40等真实扫描仪的物理特性。仿真过程中系统引入了混合像素、噪声、遮挡及密度变异等现实扫描伪影，同时通过随机刚性变换生成具有精确真值对齐的样本。此外，数据集还纳入了来自ISPRS室内建模基准的真实激光扫描点云，形成了涵盖机械构件、家具、车辆、住宅及室内场景的七大类样本，从而构建了一个兼具可控性与现实复杂性的评估环境。

特点

PC2Model数据集的核心特征在于其面向点云-模型配准任务的专用性与系统性挑战设计。数据集不仅提供了点云、三维模型及对应的刚性变换真值矩阵，更通过涵盖广泛的对象类别与几何形状，强制要求算法具备跨类别的泛化能力。其点云样本在密度、视点及尺度上呈现显著差异，并嵌入了受控但真实的扫描伪影，模拟了稀疏、噪声与局部遮挡等实际挑战。尤为关键的是，数据集施加了大幅度的随机旋转、平移与缩放变换，导致初始配准偏差极大，这对算法的全局收敛性与鲁棒性构成了严峻考验。这种从仿真到真实数据的混合结构，为系统研究模型在跨域场景下的可迁移性提供了理想实验平台。

使用方法

该数据集旨在为经典与数据驱动的点云-模型配准算法提供统一的训练与评估基准。研究者可利用其提供的三维模型、变换后点云及真值变换矩阵，开发或验证配准方法。评估时，建议遵循论文提出的标准化度量体系，包括衡量几何对齐精度的准确度层级（LOA）、评估空间覆盖完整性的覆盖率层级（LOC），以及计算旋转误差与归一化平移误差。数据集已提供基于ICP的基准性能结果，便于进行对比分析。为促进可复现研究，配套的Blender插件与仿真工具链已开源，支持用户自定义扫描环境生成与仿真数据。所有数据可通过指定存储库公开获取，并鼓励研究者将新方法的评估结果与基准进行比较，以推动该领域的技术进展。

背景与挑战

背景概述

随着三维传感技术的普及，点云数据在建筑监测、自动驾驶和机器人等领域的应用日益广泛，点云配准技术成为整合多模态数据的关键环节。然而，传统点云对点云配准研究已相对成熟，而点云对三维模型的配准任务仍缺乏专用基准数据集。在此背景下，由ISPRS ICWG II/Ib领导的研究团队于2026年推出了PC2Model基准数据集，旨在填补这一空白。该数据集采用混合设计，结合模拟点云与部分真实扫描数据，涵盖机械对象、家具、车辆及室内场景等七大类共137个样本，为经典与数据驱动方法提供了统一的训练与评估平台，推动了跨领域配准算法的发展。

当前挑战

PC2Model数据集致力于解决点云对三维模型配准这一核心问题，其挑战首先体现在算法需应对真实扫描中固有的稀疏性、噪声、遮挡与密度不均等复杂因素，这些因素严重影响了配准精度与鲁棒性。其次，在构建过程中，研究团队面临模拟数据与真实数据融合的难题，需在保持地面真值精确性的同时，引入传感器与环境伪影以逼近现实条件。此外，数据集的多样性要求涵盖不同尺度、形状与扫描策略的对象，而大规模点云处理带来的计算负担，以及从模拟到真实场景的模型可迁移性分析，均构成了该数据集构建与使用中的关键挑战。

常用场景

经典使用场景

在三维点云配准领域，PC2Model基准数据集为点云与三维模型之间的精确对齐提供了标准化的评估平台。该数据集通过模拟真实激光扫描过程，生成了包含机械对象、家具、房屋、车辆等多种类别的点云及其对应的三维模型，并施加了随机刚性变换以模拟实际扫描中的初始错位。研究人员利用这一数据集，能够系统地训练和测试各类配准算法，如迭代最近点（ICP）及其变体，以及基于深度学习的配准网络，从而在受控环境下验证算法对稀疏性、噪声、遮挡及密度变化等挑战的鲁棒性。

衍生相关工作

围绕PC2Model数据集，已衍生出一系列经典研究工作，推动了点云配准算法的前沿发展。基于该基准，研究者们改进了传统配准方法如ICP与NDT，通过引入射线投射对应关系（RCC）来优化模型匹配的准确性。同时，深度学习领域涌现出如Deep Closest Point（DCP）和PointNetLK等网络，这些方法利用数据集进行端到端训练，显著提升了配准的鲁棒性与效率。此外，数据集还促进了跨模态配准框架的开发，例如基于平面特征匹配的统一方法，实现了LiDAR点云、BIM模型与HoloLens网格之间的无缝对齐。

数据集最近研究

最新研究方向

随着三维感知技术的普及，点云到模型配准成为计算机视觉与测绘领域的前沿课题。PC2Model基准数据集通过融合仿真与真实扫描数据，为深度学习与传统方法提供了统一的评估平台。当前研究聚焦于提升算法在稀疏、噪声及遮挡等复杂场景下的鲁棒性，并探索从仿真到现实场景的模型可迁移性。该数据集推动了自动驾驶、建筑监测等应用中的跨模态数据融合，为点云配准技术的标准化与实用化奠定了重要基础。

相关研究论文

• PC2Model: ISPRS benchmark on 3D point cloud to model registration

  布伦瑞克工业大学·大地测量与摄影测量研究所; 墨尔本大学·基础设施工程系; 俄勒冈州立大学·土木与建筑工程系 · 2026年