有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
TUM2TWIN|城市数字孪生数据集|3D重建数据集
收藏arXiv2025-05-13 更新2025-05-14 收录
下载链接：
https://tum2t.win
下载链接
链接失效反馈资源简介：
TUM2TWIN数据集是一个大规模的多模态城市数字孪生基准数据集，由慕尼黑工业大学（TUM）创建。该数据集包含地理参考、语义对齐的3D模型和网络，以及各种陆地、移动、空中和卫星观测数据，共有32个子数据集，覆盖约100,000平方米的区域，目前数据量为767GB。数据集确保了室内外的地理参考采集、高精度和多种数据集成，支持对传感器的稳健分析以及先进重建方法的发展。TUM2TWIN数据集旨在克服城市数字孪生创建中的当前局限性，促进新的研究方向，并为更智能、数据驱动的城市环境提供实用解决方案。
提供机构：
慕尼黑工业大学（TUM）
创建时间：
2025-05-12
AI搜集汇总
数据集介绍
构建方式
TUM2TWIN数据集通过多模态数据采集策略构建，涵盖地面激光扫描（TLS）、移动激光扫描（MLS）、无人机系统（UAS）和航空激光扫描（ALS）等多种传感器数据。数据采集过程严格遵循地理参考标准，确保不同来源的数据在空间上精确对齐。数据集包含32个子集，覆盖约100,000平方米的慕尼黑市中心区域，总数据量达767 GB。通过多时相、多平台的数据融合，TUM2TWIN提供了从厘米级精度的点云到高分辨率影像的全面城市数字孪生基准。
特点
TUM2TWIN数据集的核心特点在于其多模态、高精度和语义丰富性。数据集不仅包含不同细节层次（LoD1-3）的语义3D建筑模型，还整合了热红外影像、街景视频、卫星观测等多源数据。所有数据均通过全球坐标系实现地理参考，支持室内外无缝衔接分析。特别地，数据集首次提供了LoD3级别的建筑立面细节标注，并包含植被模型、道路网络等城市要素，为传感器性能评估和三维重建算法开发提供了前所未有的真实场景基准。
使用方法
该数据集支持多种城市数字孪生应用场景：1）三维重建领域可通过对比TLS/MLS点云与LoD3语义模型验证建筑立面重建算法；2）计算机视觉任务可利用街景影像与热红外数据开发多模态融合方法；3）能源分析可基于LoD3模型进行太阳能潜力评估。研究人员可通过项目网站获取标准化数据子集，各子集均附带元数据描述采集时间、传感器参数和精度指标，建议根据具体研究问题选择匹配精度的数据层级（如厘米级TLS数据用于精细建模，米级卫星数据用于宏观分析）。
背景与挑战
背景概述
TUM2TWIN是由慕尼黑工业大学（Technical University of Munich, TUM）联合多个研究机构于2025年发布的大规模多模态城市数字孪生基准数据集。该数据集旨在解决城市数字孪生（Urban Digital Twin, UDT）创建过程中的多阶段挑战，包括高精度3D数据获取、高保真3D模型重建、模型更新维护以及多源数据的无缝互操作性。TUM2TWIN覆盖了慕尼黑市中心约100,000平方米的区域，包含32个子数据集，总计767 GB的数据，涵盖了地面、移动、航空和卫星观测等多种数据模态。该数据集的发布为传感器分析和先进重建方法的开发提供了坚实的基础，推动了智慧城市和数据驱动城市环境的研究。
当前挑战
TUM2TWIN数据集面临的挑战主要包括两个方面：领域问题的挑战和构建过程中的挑战。在领域问题方面，数据集需解决城市数字孪生中多模态数据融合的复杂性、高精度3D重建的准确性以及语义对齐的难题。构建过程中的挑战包括多源数据的采集与对齐、数据质量的一致性保证以及大规模数据的管理与存储。此外，数据集还需应对不同传感器（如激光雷达、热红外相机、卫星影像）的数据异构性，以及多时相数据的时序对齐问题。这些挑战需要通过创新的数据处理方法和严格的质量控制流程来解决。
常用场景
经典使用场景
TUM2TWIN数据集作为首个多模态城市数字孪生基准数据集，其经典使用场景主要集中于高精度三维城市模型的构建与验证。通过整合地面激光扫描（TLS）、移动激光扫描（MLS）、无人机（UAS）及卫星等多源数据，该数据集为研究者提供了从厘米级精度的点云到语义对齐的LoD3建筑模型的完整处理链条。典型应用包括基于NeRF和高斯泼溅的新型视图合成、建筑立面语义分割以及多时相城市变化检测，尤其适用于需要跨室内外场景协同分析的复杂城市建模任务。
实际应用
在实际应用层面，TUM2TWIN已成功支撑多个城市级解决方案：市政部门利用其LoD3模型进行太阳能潜力分析与光伏板优化部署；交通工程团队基于高清路网数据开发自行车模拟器以测试自动驾驶系统；建筑行业采用热红外点云投影技术实现建筑能耗监测。此外，数据集整合的Sentinel卫星时序数据为城市热岛效应研究提供了独特的跨尺度分析基础。
衍生相关工作
该数据集已催生多项标志性研究：PolyGNN通过合成ALS数据实现LoD2建筑自动化重建；Scan2LoD3提出基于射线投射的贝叶斯网络方法突破LoD3建模瓶颈；ZAHA构建了迄今最大的立面语义分割基准。衍生工具链涵盖从冲突地图修复（FacadeDiffusion）到多源点云配准算法，其中3D高斯泼溅等成果更被计算机视觉顶会CVPR收录，形成跨学科研究方法论。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
LFW
人脸数据集;LFW数据集共有13233张人脸图像，每张图像均给出对应的人名，共有5749人，且绝大部分人仅有一张图片。每张图片的尺寸为250X250，绝大部分为彩色图像，但也存在少许黑白人脸图片。 URL: http://vis-www.cs.umass.edu/lfw/index.html#download
AI_Studio 收录
中国食物成分数据库
食物成分数据比较准确而详细地描述农作物、水产类、畜禽肉类等人类赖以生存的基本食物的品质和营养成分含量。它是一个重要的我国公共卫生数据和营养信息资源，是提供人类基本需求和基本社会保障的先决条件；也是一个国家制定相关法规标准、实施有关营养政策、开展食品贸易和进行营养健康教育的基础，兼具学术、经济、社会等多种价值。 本数据集收录了基于2002年食物成分表的1506条食物的31项营养成分（含胆固醇）数据，657条食物的18种氨基酸数据、441条食物的32种脂肪酸数据、130条食物的碘数据、114条食物的大豆异黄酮数据。
国家人口健康科学数据中心 收录
VQA
我们提出了自由形式和开放式视觉问答 (VQA) 的任务。给定图像和关于图像的自然语言问题，任务是提供准确的自然语言答案。反映许多现实世界的场景，例如帮助视障人士，问题和答案都是开放式的。视觉问题有选择地针对图像的不同区域，包括背景细节和底层上下文。因此，与生成通用图像说明的系统相比，在 VQA 上取得成功的系统通常需要对图像和复杂推理有更详细的理解。此外，VQA 适合自动评估，因为许多开放式答案仅包含几个单词或一组封闭的答案，可以以多项选择的形式提供。我们提供了一个数据集包含 100，000 的图像和问题并讨论它提供的信息。提供了许多 VQA 基线，并与人类表现进行了比较。
OpenDataLab 收录
中国气象数据
本数据集包含了中国2023年1月至11月的气象数据，包括日照时间、降雨量、温度、风速等关键数据。通过这些数据，可以深入了解气象现象对不同地区的影响，并通过可视化工具揭示中国的气温分布、降水情况、风速趋势等。
github 收录
威廉王岛—全球变化数据大百科辞条
威廉王岛（King William Island）位于北美洲，北极圈内，属于加拿大北极群岛。它位于维多利亚岛和布西亚半岛之间，距离维多利亚岛85 km；北面距离威尔士亲王岛155 km；南面隔斯托里斯海峡和辛普森海峡与北美洲大陆(阿德莱德半岛)相望，最近处只有3.3 km。威廉王岛于1830年被指挥官詹姆斯.罗斯（James Ross）发现，以当时在位的英国君主威廉四世的名字命名。行政区划上，威廉王岛隶属于加拿大努纳武特（Nunavut）地区。它的地理位置为：69°54′22″N - 68°27′12″N，99°32′48″W - 95°09′25″W。威廉王岛总面积13259.59 km²，海岸线总长1555.35 km。岛屿地势平坦，表面散布着无数的小湖。位于岛屿东南侧的约阿港（Gjoa Haven）是岛上最主要的居民点。在约阿港东北，有一机场。该数据集是基于Google Earth遥感影像全球多尺度海陆（岛）岸线数据集（2015），结合加拿大相关地图完成。数据集由24个数据文件组成，以.kmz和.shp数据格式存储，数据量2.98 MB（压缩成3个数据文件，数据量2.06 MB）。
国家对地观测科学数据中心 收录