TreeON Synthetic Dataset

TreeON合成数据集由维也纳技术大学等机构联合创建，包含程序化生成的树木3D点云及其配对的数字表面模型（DSM）和正射影像。数据集规模为6000条样本，每条样本包含约6000个均匀采样的点云数据，通过Blender渲染引擎模拟真实航拍光照条件生成。该数据集通过泊松采样和地形融合技术构建，旨在解决稀疏地理数据下植被三维重建的视觉真实性与结构合理性问题，适用于数字地图、虚拟环境建模等领域。

The TreeON synthetic dataset was jointly created by Technische Universität Wien (TU Wien) and other research institutions. It encompasses procedurally generated 3D point clouds of trees, along with their paired Digital Surface Models (DSM) and orthophotos. The dataset comprises a total of 6000 samples, with each sample containing approximately 6000 uniformly sampled point cloud data points. All samples are generated using the Blender rendering engine to simulate real-world aerial lighting conditions. Developed through Poisson sampling and terrain fusion techniques, this dataset aims to address the challenges of achieving visual realism and structural plausibility in 3D vegetation reconstruction when working with sparse geographic data. It is suitable for applications including digital mapping and virtual environment modeling.

搜集汇总

数据集介绍

构建方式

在三维树木重建领域，高质量的真实数据往往稀缺，为此TreeON合成数据集通过程序化建模方法构建。该数据集利用Blender的Grove插件生成多样化的树木网格模型，涵盖17种典型树种，包括针叶树与落叶树，以模拟真实植被的形态多样性。每个树木网格通过泊松圆盘采样转化为约6000个带颜色的点云，作为几何真值。同时，从顶视正交相机渲染对应的正射影像和数字表面模型，其中正射影像模拟了不同光照方向下的阴影效果，DSM则通过深度缓冲生成并归一化为高程图，最终将DSM像素反投影为点云。整个流程确保了多模态数据（点云、正射影像、DSM）的严格对齐，为神经网络训练提供了丰富而一致的监督信号。

特点

该数据集的核心特点在于其多模态性与高度可控的合成环境。数据集不仅提供了三维点云真值，还包含了配准的正射影像和DSM，这种多源数据对齐使得模型能够同时学习几何结构与视觉外观。程序化生成的树木覆盖了广泛的物种和形态，确保了数据多样性，而光照方向、阴影软硬及地形背景的随机化进一步增强了数据的真实感和泛化能力。此外，数据集的构建注重实际地理数据的模拟，正射影像和DSM的分辨率与真实航空影像及激光雷达数据标准保持一致，使得基于此训练的模型能够有效迁移到真实世界场景。

使用方法

TreeON合成数据集主要用于训练和评估从稀疏地理数据重建三维树木点云的神经网络。研究人员可将正射影像和DSM作为输入，点云作为监督目标，利用数据集中提供的多模态配对进行端到端训练。数据集支持多种监督策略，包括基础的占用损失、颜色一致性损失，以及创新的可微分阴影和轮廓损失，从而全面约束几何与外观的重建。在评估阶段，该数据集可用于量化分析重建精度（如倒角距离、F1分数）和视觉质量，并通过与真实世界数据（如奥地利地标树木或IGN激光雷达数据）的对比验证模型的泛化能力。数据集的开源特性也促进了方法复现和比较研究。

背景与挑战

背景概述

在数字三维地图与计算机视觉领域，从稀疏地理数据中重建高保真植被模型一直是一项关键挑战。TreeON合成数据集应运而生，由维也纳工业大学视觉计算与人机交互技术研究所的Angeliki Grammatikaki等人于2026年创建，旨在解决仅凭正射影像和数字表面模型重建三维树木点云的难题。该数据集通过程序化生成的树木模型及其对应的正射影像与DSM配对数据，为训练数据驱动的神经网络提供了关键支撑，推动了轻量化、可扩展的自然场景三维重建研究，对数字地图、环境模拟及遥感应用产生了深远影响。

当前挑战

该数据集致力于解决从二维地理数据推断三维树木结构的领域挑战，其核心在于克服输入数据的稀疏性与三维信息缺失之间的矛盾。构建过程中的主要挑战包括：其一，缺乏真实三维树木点云作为监督真值，需依赖程序化建模生成合成数据，并确保其几何多样性与视觉真实性；其二，需精准对齐正射影像中的纹理、阴影信息与DSM中的高程数据，以提供有效的多模态训练信号；其三，合成数据需涵盖不同树种、树冠形态及光照条件，以保障模型在真实场景中的泛化能力，避免因训练数据偏差导致重建失效。

常用场景

经典使用场景

在数字三维地图构建领域，TreeON合成数据集主要用于训练神经网络从稀疏的顶部视角地理数据中重建树木的三维点云。该数据集通过程序化生成的树木模型，配以对应的正射影像和数字表面模型，为模型提供了几何结构与视觉外观的配对训练样本。其经典使用场景在于解决从仅有二维或2.5D数据源推断三维植被结构的难题，为大规模乡村或自然景观的轻量化、自动化三维建模提供了关键的数据基础。

实际应用

在实际应用中，该数据集支撑的技术能够直接服务于数字三维地图的生产与增强。通过将训练好的模型部署到地理信息系统或在线地图平台，可以自动为大片乡村或森林区域生成视觉上逼真、结构合理的树木三维模型。这些模型能够显著提升数字地图在倾斜视角下的视觉吸引力与沉浸感，改善用户体验，并可作为导航中的视觉地标。此外，该技术方案计算高效、输出轻量，适合大规模场景的实时渲染与交互，为智慧城市、环境模拟、虚拟旅游等领域提供了实用的三维内容生成工具。

衍生相关工作

基于TreeON数据集及其提出的框架，衍生出了一系列关注于从稀疏地理数据重建植被的后续研究。其核心方法启发了对多模态地理数据融合、以及结合几何与投影感知损失进行监督学习的深入探索。相关工作扩展了该范式，例如尝试结合神经辐射场技术以提升重建的视觉质量，或引入扩散模型先验来生成更高保真度的树枝叶片结构。此外，该数据集也为评估其他单视图重建、点云上采样及生成式模型在特定地理空间任务上的泛化能力提供了基准，推动了该细分领域内方法学的比较与进步。