遇见数据集

Articraft Data

收藏
github2026-06-25 更新2026-06-29 收录
官方服务:

资源简介:

Articraft Data是一个本地优先的、由Articraft生成的大型铰接式3D资产记录数据集,包含10,788条本地记录、246个类别文件夹,以及记录清单、源记录、提示、来源、跟踪、评级、标签和类别元数据。

Articraft Data is a local-first, Articraft-generated large-scale articulated 3D asset recording dataset. It contains 10,788 local records, 246 category folders, as well as metadata covering record lists, source records, prompts, sources, tracking logs, ratings, tags, and category metadata.

创建时间:
2026-06-25
原始信息汇总

数据集概述

  • 名称:Articraft Data
  • 描述:一个本地优先的数据集,包含使用 Articraft 生成的铰接式 3D 资产记录。
  • 许可协议:Creative Commons Attribution 4.0 International (CC BY 4.0)
  • 相关链接
    • 论文:https://arxiv.org/abs/2605.15187
    • 项目页面:https://articraft3d.github.io/
    • Articraft 工具代码:https://github.com/mattzh72/articraft

数据集规模

  • 记录总数:10,788 条本地记录
  • 类别数量:246 个类别文件夹
  • 索引文件records_manifest.jsonl,每行对应一条完整记录

数据内容

  • 记录构成:每条记录包含 record.json 文件,以及与该记录修订相关的提示、源代码、溯源信息、成本数据、输入数据和轨迹。
  • 类别元数据:存储在 categories/ 目录中,用于过滤和标记记录。
  • 提示与素材system_prompts/ 存储生成系统提示的哈希副本;batch_specs/ 和顶层指南文件保留历史提示与类别规划材料。
  • 忽略内容:生成的缓存、本地工作状态、生成的 URDF 文件和生成的资产文件夹不在仓库中。

目录结构

  • records/:每个记录对应一个子目录,存放该记录的所有相关文件。
  • records_manifest.jsonl:规范的浏览清单,每一行对应 records/<record_id>/record.json
  • categories/:类别元数据。
  • system_prompts/:生成系统提示的哈希副本。
  • batch_specs/:历史批次规划材料。

使用方式

  • 搭配 Articraft 使用:克隆 Articraft 工具仓库和数据仓库到同一目录,设置 ARTICRAFT_DATA_DIR 环境变量或通过 --data-dir 参数指定数据路径。
  • 验证数据:运行 articraft statusarticraft library check --require-records 命令,预期输出为 records=10788 categories=246Library data valid

引用与致谢

  • 论文引用

    @article{zhou2026articraft, title = {Articraft: An Agentic System for Scalable Articulated 3D Asset Generation}, author = {Zhou, Matt and Li, Ruining and Lyu, Xiaoyang and Song, Zhaomou and Huang, Zhening and Zheng, Chuanxia and Rupprecht, Christian and Vedaldi, Andrea and Wu, Shangzhe}, journal = {arXiv preprint arXiv:2605.15187}, year = {2026} }

  • 建议致谢

    Articraft Data, Matt Zhou et al., licensed under CC BY 4.0. https://github.com/mattzh72/articraft-data

安全提示

  • 数据集记录中包含生成的 model.py 源文件,仅编译或执行来自可信来源的模型脚本。
搜集汇总
数据集介绍
Articraft Data 数据集图片
构建方式
Articraft Data数据集由Articraft系统自动生成,专注于可动关节的三维资产记录。该数据集包含10,788条本地记录,涵盖246个类别,每条记录均存储于独立目录中,内含record.json文件以及生成过程中涉及的提示词、源代码、来源追踪、成本数据、输入信息和轨迹。数据集通过records_manifest.jsonl文件维护浏览索引,确保每条记录对应唯一标识。类别元数据、系统提示词和批量规格等辅助材料分别存储于categories、system_prompts和batch_specs等子目录,整体结构兼顾完整性与可维护性。
特点
该数据集的核心特点在于其本地优先的设计哲学与全面的关节资产覆盖。记录内容不仅包含最终的三维模型,还保留了完整的生成溯源信息,使得用户能够回溯资产构建的完整流程。数据集高度结构化,通过manifest文件提供快速浏览能力,并支持通过类别元数据进行高效筛选与标注。此外,CC BY 4.0许可协议确保了数据的开放共享性,而明确的版本快照(10,788条记录)与验证工具则保障了数据的一致性与可靠性,为大规模可动三维资产研究奠定了坚实基础。
使用方法
使用Articraft Data数据集需结合Articraft代码库。用户应分别克隆代码仓库与数据文件夹,并通过环境变量ARTICRAFT_DATA_DIR或--data-dir参数指定数据根目录。随后可执行查看状态、校验数据完整性等命令,例如使用uv run articraft status检查记录总数。数据集支持通过viewer命令进行可视化浏览,通过library list命令列出记录信息,以及通过compile命令编译特定记录。如需重新构建manifest索引,可执行library rebuild-manifest命令,确保数据目录结构始终与索引文件同步,从而保障后续分析工作的顺畅进行。
背景与挑战
背景概述
Articraft Data数据集由Matt Zhou等人于2026年创建,旨在为可动三维资产的生成提供系统化的数据支撑。该数据集隶属于Articraft项目,专注于解决可动三维模型(articulated 3D assets)的规模化生成与标注问题。其核心研究问题在于如何通过智能体系统实现高质量、多样化的可动三维资产的自动创建与记录。该数据集包含了10,788条本地记录,覆盖246个类别,并提供了详尽的元数据、提示语、来源轨迹及评分标签等信息,为可动三维生成领域的研究提供了坚实的基础设施。其发布促进了三维计算机视觉与图形学交叉领域的发展,对推动资产生成的自动化与标准化具有重要影响力。
当前挑战
当前Articraft Data数据集面临多重挑战。在领域问题层面,可动三维资产的生成需解决部件间关节运动关系的精确建模与多样性问题,现有方法难以同时保证几何真实性与运动合理性。在构建过程中,数据集的规模化采集面临显著挑战:如何自动生成包含复杂关节信息的三维资产并确保质量一致性,同时还需处理来源追踪、成本记录与版本管理。此外,数据集中生成的model.py源文件存在安全风险,需防范恶意代码执行。类别覆盖的完整性与标注的标准化亦是持续优化的方向,以确保数据集在广泛下游任务中的实用性与可靠性。
常用场景
经典使用场景
在计算机视觉与机器人学交叉领域,铰接式3D物体的生成与理解一直是极具挑战的课题。Articraft Data数据集凭借其超过一万条本地记录、涵盖246个类目的精细标注,为训练和评估铰接式3D资产生成模型提供了标准化的数据基石。研究者常将其作为铰接式物体结构的基准数据,用于训练从单张或多视角图像中推理物体部件运动学关系的模型,或作为多模态输入条件下3D铰接模型生成的参考标准,推动从静态3D重建向动态结构理解的关键跨越。
解决学术问题
该数据集的核心贡献在于系统性解决了铰接式3D资产数据稀缺且标注不统一的问题。传统数据集多聚焦于静态物体或单一类别,缺乏对部件运动学关系(如旋转轴、滑动约束)的精细标注。Articraft Data通过包含完整的provenance、ratings、labels和tags信息,使得研究群体能够以可复现的方式研究铰接式结构的自动标注、多层级语义理解以及跨类别泛化等学术难题。其意义在于构建了从原始提示到最终装配体结构的知识链条,为可交互3D内容的生成、分析与推理奠定了可规模化扩展的理论与实践基础。
衍生相关工作
围绕Articraft Data已衍生出多项具有影响力的研究工作。其中最具代表性的是Articraft系统本身——一个基于代理程序的规模化铰接式3D资产生成框架,该论文被收录于arXiv(2026),详细阐述了如何利用此数据集作为训练与验证的基石。此外,基于同一数据管线,研究者开发了高效的铰接结构编译与校验工具链,如articraft compile与library状态检查模块,这些工具后续被整合到更广泛的3D资产生态系统中。数据集的manifest格式与category元数据结构也启发了多个后续工作,用以支持跨类别铰接物体检索、零样本关节识别以及基于扩散模型的部件运动生成等前沿研究方向。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务