SfM registration dataset

该数据集是由瑞典Linköping大学和爱立信研究中心共同创建的SfM注册数据集。数据集通过合成相机轨迹从随机图像集合中生成部分重建，并为每个场景创建了多个合成轨迹。该数据集包含约22000对重建，旨在用于训练和评估点云注册方法，支持SfM地图之间的协作和融合。

This dataset is an SfM registration dataset jointly created by Linköping University (Sweden) and Ericsson Research. It generates partial reconstructions from a collection of random images using synthetic camera trajectories, and creates multiple synthetic trajectories for each scene. Comprising approximately 22,000 reconstruction pairs, this dataset is designed for training and evaluating point cloud registration methods, and supports collaboration and fusion between SfM maps.

搜集汇总

数据集介绍

构建方式

SfM registration dataset的构建采用了创新的合成训练数据生成流程，通过从每个场景的合成相机轨迹中生成部分重建来实现。具体而言，该数据集利用MegaDepth和Quad6k等来源的场景，通过随机点采样和部分轨迹生成两种方法创建部分重建。在随机点采样中，从场景中随机选择3D点集，直到达到约200张图像；而在部分轨迹方法中，通过随机选择起始图像并依次选择最近邻图像来生成合成轨迹，以弥合随机图像与视频序列之间的差距。所有重建均在全局SfM参考框架下进行，确保了相对变换的准确性。

特点

SfM registration dataset的特点在于其专注于3D几何信息而非视觉描述符，从而解决了不同SfM流程中描述符不兼容的问题。数据集包含约22000对部分重建，每对重叠率超过30%，确保了数据的多样性和实用性。此外，该数据集通过合成轨迹生成方法，模拟了真实场景中的相机运动，增强了模型在实际应用中的泛化能力。数据集的点云覆盖大尺度场景，与传统的RGB-D或LiDAR扫描数据相比，更具挑战性和实用性。

使用方法

SfM registration dataset的使用方法主要包括训练和评估点云配准模型。用户可以通过加载数据集中的部分重建对，利用提供的3D坐标、法向量和可选特征进行模型训练。数据集中已划分训练集和测试集，便于模型验证。此外，该数据集支持SE(3)和Sim(3)两种场景的评估，用户可通过计算内点比率（IR）、特征匹配召回率（FMR）和配准召回率（RR）等标准指标来评估模型性能。数据集还可用于测试模型在低重叠、噪声环境等挑战性场景下的表现。

背景与挑战

背景概述

SfM registration dataset是由Johan Edstedt、André Mateus和Alberto Jaenal等研究人员在2025年提出的，旨在解决协作式运动恢复结构（Collaborative Structure-from-Motion, ColabSfM）中的点云配准问题。该数据集通过合成训练数据的方式，为SfM重建的点云配准任务提供了大规模的训练和测试资源。其核心研究问题是利用三维几何信息（如点云坐标、法向量等）而非视觉描述符，来实现不同SfM重建之间的配准。这一研究对机器人、增强现实（XR）设备等领域的环境地图构建与定位具有重要意义，推动了多设备间地图共享与协作定位的发展。

当前挑战

SfM registration dataset面临的挑战主要包括两方面：1) 领域问题的挑战：传统SfM重建配准方法依赖视觉描述符，但不同SfM流程生成的描述符不兼容，且存在隐私与可扩展性问题。该数据集通过几何信息解决配准问题，但需克服点云分布差异（如RGB-D/LiDAR扫描与SfM点云的区别）以及对称场景中的匹配困难。2) 构建过程的挑战：合成数据生成需平衡随机图像与序列图像的差异，确保部分重建的多样性与真实性；同时，点云归一化与法向量估计的一致性对配准模型的性能至关重要。

常用场景

经典使用场景

在三维视觉与机器人领域，SfM registration dataset为解决分布式SfM重建的配准问题提供了关键数据支持。该数据集通过合成相机轨迹生成部分重建点云，模拟真实场景中多视角采集的几何特性差异，尤其适用于跨设备、跨算法的地图融合任务。其经典应用场景包括协作式SLAM系统中子地图的全局对齐，以及扩展现实（XR）设备间共享环境地图时的坐标系统一化。

实际应用

在实际应用中，该数据集支撑了云端协作建图系统的开发，被应用于谷歌视觉定位系统等工业级解决方案。其衍生的无描述符配准技术显著降低了地图存储开销（减少2-3个数量级），并成功部署于室内服务机器人导航、文化遗产数字化保护等场景。例如在圣彼得大教堂三维重建项目中，实现了不同游客拍摄片段的高精度自动拼接。

衍生相关工作

该数据集催生了多个里程碑式研究：OverlapPredator通过注意力机制改进低重叠点云匹配；GeoTransformer引入几何感知Transformer实现全局特征融合；PareNet提出位置感知旋转等变网络。其构建方法还被拓展至线特征重建对齐（Liu et al.）和跨模态地图融合（Dusmanu et al.），推动了《IEEE TPAMI》等多篇顶刊论文的发表。