regx-benchmark

RegX 是一个跨领域多视图点云配准基准数据集，旨在评估点云配准方法在领域变化时的泛化能力，支持零样本评估。该数据集覆盖了从纳米级显微镜到千米级航空地图的九个数量级尺度，并整合了来自不同传感器的数据，包括临床结肠镜、RGB-D 相机、旋转和固态激光雷达、地面与航空激光扫描仪等。RegX 包含 264 个场景、1,540 个配准样本、3,243 个点云，每个样本包含 2 至 24 个视图，来自 61 个源数据集，总大小约 17 GB。数据集按场景分为 5 个类别：Object（物体，如内窥镜、显微镜、植物和斯坦福模型扫描）、IndoorScan（室内扫描）、OutdoorScan（室外扫描）、TLS（地面激光扫描）和 Map（地图，如会话级地图和航空扫描）。每个场景包含点云文件（.ply）、元数据（metadata.yaml）、连接图（connection_graph.npy）和视图顺序文件。配准样本以 JSON 格式提供，包含每个视图的点云文件路径和从输入到世界坐标的变换矩阵。评估协议采用归一化平移误差（按场景范围归一化）和旋转误差，并报告标准（15°旋转、2.5%平移）和严格（3°旋转、0.5%平移）阈值下的边缘成功率和图成功率。该数据集适用于多视图点云配准、跨领域泛化、零样本学习等研究领域。数据集的策划工件（样本定义、真实变换、重叠图、元数据、文档）采用 CC BY-NC-SA 4.0 许可，点云几何数据保留各自上游许可。注意：部分地面真值由 SLAM 系统生成，具有近似性；重叠比率基于体素下采样点云计算，为近似值。RegX is a cross-domain multi-view point cloud registration benchmark dataset designed to evaluate the generalization ability of point cloud registration methods under domain changes, supporting zero-shot evaluation. The dataset covers nine orders of magnitude in scale, from nanometer-level microscopy to kilometer-level aerial maps, and integrates data from various sensors, including clinical colonoscopes, RGB-D cameras, rotating and solid-state LiDARs, ground and aerial laser scanners, etc. RegX contains 264 scenes, 1,540 registration samples, and 3,243 point clouds, with each sample comprising 2 to 24 views, sourced from 61 original datasets, with a total size of approximately 17 GB. The dataset is divided into 5 categories based on scenes: Object (e.g., endoscopy, microscopy, plants, and Stanford model scans), IndoorScan, OutdoorScan, TLS (terrestrial laser scanning), and Map (e.g., session-level maps and aerial scans). Each scene includes point cloud files (.ply), metadata (metadata.yaml), connection graph (connection_graph.npy), and view order file. Registration samples are provided in JSON format, containing the point cloud file path for each view and the transformation matrix from input to world coordinates. The evaluation protocol uses normalized translation error (normalized by scene extent) and rotation error, and reports edge success rate and graph success rate under standard (15° rotation, 2.5% translation) and strict (3° rotation, 0.5% translation) thresholds. This dataset is suitable for research areas such as multi-view point cloud registration, cross-domain generalization, and zero-shot learning. The curation artifacts (sample definitions, ground truth transformations, overlap graphs, metadata, documentation) are licensed under CC BY-NC-SA 4.0, while the point cloud geometry data retain their respective upstream licenses. Note: Some ground truth values are generated by SLAM systems and are approximate; overlap ratios are computed based on voxel-downsampled point clouds and are approximate.

原始信息汇总

RegX 数据集概述

RegX 是一个跨域多视角点云配准基准数据集，旨在评估算法在传感器类型和尺度剧烈变化下的泛化能力（零样本评估）。数据规模跨越九个数量级，涵盖从纳米级显微镜图像到千米级机载地图。

基本信息

• 许可协议：CC BY-NC-SA 4.0（策展工件），点云几何数据遵循各源数据集自己的许可条款。
• 数据规模：约 17 GB，包含 264 个场景、1,540 个配准样本、3,243 个点云，每个样本的视角数量为 2 至 24 个。
• 来源数据集：整合了 61 个源数据集。
• 引入论文：Register Any Point: Scaling 3D Point Cloud Registration by Flow Matching（ECCV 2026）。

场景类别

类别	场景数	样本数	点云数	典型尺度
Object	38	133	209	纳米 – 厘米
IndoorScan	53	392	1,209	1 – 30 米
OutdoorScan	77	468	649	10 – 100 米
TLS	73	462	1,067	10 – 1000 米
Map	23	85	109	100 米 – 千米

• Object：内窥镜、显微镜、植物和斯坦福模型扫描等。
• TLS：地面激光扫描数据。
• Map：会话级地图与机载扫描，配准指合并不同时间或不同传感器构建的地图。

数据格式与内容

• 布局：RegX/<Category>/<scene>/ 目录下包含点云文件（.ply）、metadata.yaml（来源、传感器、场景标签）、connection_graph.npy/.txt（点对点重叠率矩阵）。
• 样本索引文件：regx_multiview_samples_v2.json（完整规范文件）与 regx_multiview_samples_v2.jsonl（每行一个 JSON 对象，可直接用于 HuggingFace load_dataset()）。
• 每个样本：包含输入点云文件路径和对应的 transformation_matrix（输入到世界坐标的变换）。
• 交互式工具：view_regx.py 提供基于 viser 的可视化浏览器，支持浏览样本、切换真值对齐、检查模型预测与边级失败。

评估协议

• 姿态预测：为每个视角预测姿态，误差通过与真值进行全局刚体变换对齐后测量。
• 归一化平移误差：平移误差按场景尺度归一化后再进行阈值判断。
• 两个操作点：

阈值	旋转	归一化平移
标准	15°	2.5%
严格	3°	0.5%

• 两个成功率指标：
  • 边成功率（Edge success rate）：样本中所有重叠对的平均成功率。
  • 图成功率（Graph success rate）：仅当所有重叠对都成功时为 1，是论文中的主要指标。
• 额外报告平均/中位数旋转误差（度）、平移误差（米）、全局 RMSE 和每样本运行时间。

已知局限

• 部分真值由 SLAM 系统生成而非测量获得，精度虽高但不完全准确，仍适用于上述阈值。
• 重叠率在体素下采样点云上计算，属于近似值。
• 类别划分偏实用而非本体论，例如机载激光扫描被归入 Map 类别。

搜集汇总

数据集介绍

构建方式

RegX基准的构建源自对61个源数据集的系统化整合与再标注，覆盖从纳米级显微镜扫描到千米级机载测绘的九个数量级尺度跨度。每个场景均提供多视角点云序列，配以经严格配准验证的 ground-truth 变换矩阵、逐视角重叠度图及详尽的元数据，涵盖传感器类型、采集时间与地理信息。数据组织采用层级化目录结构，辅以独立的场景描述文件与连接图，确保每一样本皆可用于零样本评估场景，并遵循各源数据的原始许可条款。

使用方法

RegX的调用方式便捷且高度可定制，用户可通过Python API加载样例清单并利用Open3D直接读取点云与位姿，轻松复现基准评估。其配置灵活，支持依据场景类别、视角数量或重叠度阈值的筛选，亦提供交互式可视化工具以便直观检视配准结果及连接图。评估协议明确定义了位姿预测的误差度量与统计口径，便于研究者在统一框架下对比算法性能，从而推动跨域点云配准方法的泛化能力与发展。

背景与挑战

背景概述

三维点云配准作为计算机视觉与机器人感知领域的基石性任务，其核心目标在于估计多视角点云间的刚体变换，以实现场景的精确重建与定位。然而，现有配准基准大多局限于单一传感器或固定尺度，难以评估算法在领域迁移下的泛化能力，这在一定程度上制约了通用配准模型的发展。针对这一局限性，RegX基准于ECCV 2026年应运而生，由Pan Yue、Sun Tao、Zhu Liyuan等来自多所机构的研究团队共同构建。RegX横跨纳米级显微成像至千米级机载测绘等九个数量级的空间尺度，整合了61个源数据集，涵盖内窥镜、RGB-D相机、旋转与固态激光雷达、地面与机载扫描等多种异构传感器，精心构建了包含264个场景、1540个配准样本的大规模多视角配准测试集。该基准专门用于零样本评估，旨在检验配准方法在领域变化下的泛化表现，对推动通用配准模型的研发具有重要的引领作用。

当前挑战

RegX基准的构建与应用面临多重挑战。在领域问题层面，传统配准基准往往在单一传感器和尺度上评估模型，难以反映真实应用中传感器异构、尺度跨度大等复杂场景，导致算法在实际部署时泛化能力不足。RegX通过引入跨域、跨尺度的多视角配准评测，填补了这一空白，但这也对算法的鲁棒性提出了极高要求，意味着模型需适应从纳米级到公里级的尺度变化，以及不同传感器固有的密度与噪声特性。在构建过程中，团队需整合61个来源各异的公开数据集，面临数据格式不统一、标注基准差异大等难题。尤为棘手的是，部分源数据集（占22%）未提供明确使用许可，或由SLAM系统生成配准真值，其精度虽满足评测阈值但存在微小偏差，团队只得通过详尽记录元数据、规范使用条款与提供充足的场景描述文件来确保基准的可复现性与合法性，同时需针对重叠率计算近似等问题设计鲁棒的评测协议。

常用场景

经典使用场景

RegX基准测试专注于跨域多视角点云配准，覆盖从纳米级显微图像到千米级机载地图的九个数量级尺度差异，并融合了内窥镜、RGB-D相机、旋转和固态LiDAR、地面及机载激光扫描仪等多种异构传感器数据。该数据集的核心使用场景在于评估点云配准方法在领域变化下的泛化能力，即面对从未在训练中见过的传感器类型和尺度时的零样本配准性能。研究者可通过其1,540个配准样本及2至24个视角的连接图，系统地测试方法在物体、室内扫描、室外扫描、地面激光扫描和地图级场景中的鲁棒性。

解决学术问题

RegX解决了当前点云配准基准测试中领域单一化的问题，突破了传统基准固定传感器与尺度的局限，为跨域泛化研究提供了首个综合性的评估框架。其归一化平移误差和双阈值（标准与严格）成功率的引入，消除了尺度差异对误差度量的干扰，使得算法在不同场景下的表现可公平比较。该数据集通过覆盖61个源数据集、5大场景类别及非对称重叠图，促成了对配准方法在多领域迁移时隐式泛化瓶颈的深入探究，推动了针对跨域鲁棒性的方法创新，并为点云配准的性能量化提供了更严格的评测标准，具有显著学术价值。

实际应用

在实际应用中，RegX广泛服务于机器人与自主系统领域，如自动驾驶中多传感器（LiDAR与相机）时序数据的全局一致配准，以及SLAM系统中跨时间重定位与地图融合。在地理测绘与建筑工程中，它支持地面与机载激光扫描数据的对齐，用于构建精确的城市三维模型、隧道及基础设施变形监测。遥感领域利用其处理不同时相或不同航带的影像数据拼接，生成无缝的广域地图。此外，医学影像导航可受益于内窥镜与点云数据的匹配，辅助病灶定位。该基准的零样本设置适配于要求算法快速适应新传感器与场景的部署环境，支撑了跨领域三维感知任务的可靠实现。

数据集最近研究

最新研究方向

该数据集聚焦于跨域多视角点云配准的泛化性能评估，涵盖从纳米级显微到千米级机载地图的九个数量级尺度，并整合了内窥镜、RGB-D、旋转与固态激光雷达、地面及机载扫描等异构传感器数据。其研究前沿在于推动零样本配准方法向真实世界多源数据迁移，挑战传统设定中固定传感器与固定尺度的局限，进而为具身智能、自动驾驶及大规模场景重建提供更为鲁棒的跨域基准。通过引入场景归一化的误差度量与图一致性评估，该基准为点云配准算法在极端跨域条件下的适应性与可扩展性研究奠定了基础。