LavalObjaverseDataset

Laval Objaverse Dataset 是一个大规模、高质量的多视角重光照数据集，用于多视角重光照和新视角合成任务。该数据集结合了来自Objaverse的高质量3D资产与来自Laval室内和室外HDR数据集的多样化、真实光照条件。每个渲染结果包含同步的多视角图像、深度图以及完整的光照元数据。数据集的构建经过四个步骤：对象筛选（采用relitObjaverse的严格标准）、光照选择（从Laval室内外HDR数据集中采样，每张环境图均匀旋转16次，每个对象采样16张环境图，室内外比例1:1）、渲染协议（对象归一化到单位大小，相机均匀分布在半径为1.8或2.2的球面上）、数据集划分（训练集、验证集、测试集严格不重叠，不共享相机姿态、光照条件或3D对象）。数据集结构为：根目录下包含rendered子目录，其下分为training、testing、validation三个子集，每个子集包含多个.tar.gz压缩包，每个压缩包对应一个对象，内含info.json（元数据）、多个RGB图像（命名格式如V18-Indoor_9C4A5417-f5d395fb63_6_image.png）和对应的深度图（EXR格式，如V18_depth_0001.exr）。数据集规模约为1000万到1亿样本。该数据集适用于图像到图像转换、深度估计等任务。The Laval Objaverse Dataset is a large-scale, high-quality multi-view relighting dataset for multi-view relighting and novel view synthesis tasks. It combines high-quality 3D assets from Objaverse with diverse, realistic lighting conditions from the Laval Indoor and Outdoor HDR datasets. Each rendering includes synchronized multi-view images, depth maps, and complete lighting metadata. The dataset is constructed through four steps: object filtering (using strict criteria from relitObjaverse), lighting selection (sampling from Laval indoor and outdoor HDR datasets, each environment map uniformly rotated 16 times, 16 environment maps per object, indoor/outdoor ratio 1:1), rendering protocol (objects normalized to unit size, cameras uniformly distributed on a sphere of radius 1.8 or 2.2), and dataset split (training, validation, and test sets strictly non-overlapping, sharing no camera poses, lighting conditions, or 3D objects). The dataset structure is: a root directory containing a rendered subdirectory, which is divided into training, testing, and validation subsets. Each subset contains multiple .tar.gz archives, each corresponding to an object, containing info.json (metadata), multiple RGB images (named e.g., V18-Indoor_9C4A5417-f5d395fb63_6_image.png), and corresponding depth maps (EXR format, e.g., V18_depth_0001.exr). The dataset size is approximately 10 million to 100 million samples. It is suitable for tasks such as image-to-image translation and depth estimation.

原始信息汇总

数据集概述

Laval Objaverse Dataset 是一个面向多视角重光照（multi-view relighting）与新颖视图合成（novel view synthesis）任务的大规模高质量数据集，由 vLAR Group 发布，并将发表于 SIGGRAPH 2026。

构建流程

数据集通过四步流程构建：

1. 物体筛选：基于 Objaverse 数据集中的三维网格资源，采用 relitObjaverse 数据集的严格物体选择标准，排除几何或材质质量较差的网格。
2. 光照选择：使用开源的 Laval Indoor HDR Dataset 和 Laval Outdoor HDR Dataset，将每张光照贴图均匀旋转 16 次以增加光照多样性；每个物体采样 16 张环境贴图，室内与室外光照比例为 1:1。
3. 渲染协议：所有物体归一化至单位大小（最大包围盒边长为 1）并置于原点；相机均匀分布在距中心 1.8 或 2.2 单位的球面上，且朝向场景中心。
4. 数据集划分：数据集分为训练集、验证集和测试集，各划分间在相机位姿、光照条件及三维物体上均严格不重叠，划分信息存放于 info/laval（光照贴图）和 info/objaverse（物体）下。

数据集结构

text LavalObjaverseDataset/ └── rendered/ ├── training/ │ └── subset_{subset_uid}/ │ └── {object_uid_0}.tar.gz │ ├── info.json │ ├── V18-Indoor_9C4A5417-f5d395fb63_6_image.png │ ├── V18-Outdoor_9C4A0573-f5d395fb63_6_image.png │ ├── V18_depth_0001.exr │ ├── V23-Indoor_9C4A5417-f5d395fb63_6_image.png │ └── V23_depth_0001.exr ├── testing/ └── validation/

每个物体归档解压后包含：

• info.json：物体的元数据，包括物体信息、渲染参数、相机位姿和光照条件。
• Vxxx-yyy_image.png：渲染的 RGB 图像，其中 Vxxx 表示视角编号（如 V18、V23），yyy 为光照贴图名称（如 Indoor_9C4A5417-f5d395fb63_6）。
• Vxxx_depth_*.exr：与每个视角对应的真实深度图，采用 OpenEXR 格式。

数据集属性

属性	内容
语言	英文 (en)
许可证	CC-BY-4.0
任务类别	图像到图像转换、深度估计
标签	重光照、多视角、三维、Objaverse、HDR、渲染、深度图
规模	1000万至1亿样本 (10M<n<100M)

参考引用

使用该数据集的研究工作建议引用以下成果：Neural Gaffer (NeurIPS 2024)、Laval Indoor HDR Dataset (SIGGRAPH Asia 2017) 以及 Laval Outdoor HDR Dataset (CVPR 2019)。更多渲染代码及模型细节请访问 GitHub 仓库（https://github.com/vLAR-group/RelightFormer）。

搜集汇总

数据集介绍

构建方式

该数据集的构建遵循一套严谨的流程，旨在生成逼真且多样化的多视角重光照训练样本。首先，从Objaverse资源库中精选高质量的三维网格模型，严格剔除几何结构或材质属性欠佳的资产，以确保视觉保真度。其次，融合Laval室内外HDR照明数据库，对每张环境贴图进行16次均匀旋转以增强光照多样性，并为每个物体均衡采样16张室内外环境贴图，实现光照条件的全面覆盖。随后，所有物体被归一化至单位尺寸并置于原点，相机则均匀分布于半径为1.8或2.2单位的球面上，指向场景中心完成渲染。最后，数据集被严格划分为训练、验证与测试子集，确保相机位姿、光照条件及三维物体在三者间无重叠，保障了模型评估的公平性与泛化能力。

特点

该数据集具备显著的大规模与高精度特性，专为多视角重光照与新视角合成任务设计。每个物体样本均包含同步的多视角RGB图像、以OpenEXR格式存储的深度图及详尽的光照元数据，信息丰富且结构清晰。文件命名规则精妙地编码了视角编号、光照类型与旋转标识，便于使用者快速定位与解析。数据集在物体选择上采纳了RelitObjaverse的严格标准，确保了物体几何与材质的质量；光照上引入Laval室内外真实HDR环境，并通过旋转扩充，极大提升了光照的多样性与现实性。严格的划分策略避免了数据泄漏，为训练鲁棒的重光照模型奠定了坚实基础，使其在学术研究与工业应用中具有极高价值。

使用方法

研究者可直接调用该数据集进行多视角重光照模型的训练与评估。通过解压各物体的tar.gz压缩包，即可获取渲染图像、深度图及包含相机位姿和光照条件的info.json元数据文件。数据集按训练、验证、测试分类存放，便于构建标准的数据加载流程。建议使用过程中充分利用其多视角图像与深度信息，以支持诸如神经辐射场或基于扩散的重光照模型等先进架构。此外，数据集的文件命名系统蕴含了视角与光照标签，可作为监督信号使用。研究者在发布成果时，应遵循引用规范，注明数据集及其基础工作的出处，以尊重原作者的贡献并促进学术交流。详细的渲染代码与模型示例可参照GitHub仓库，便于快速上手与复现。

背景与挑战

背景概述

Laval Objaverse Dataset诞生于计算机视觉与图形学交叉领域，其创建于2026年前后，由vLAR Group研究团队构建，旨在应对多视角重光照与新颖视图合成任务中的数据匮乏问题。该数据集融合了Objaverse中的高质量三维资产与Laval室内外HDR光照数据，通过精细的渲染流程生成了包含同步多视角图像、深度图及完备光照元数据的大规模资源。凭借其规模与质量，该数据集有望成为重光照领域的重要基准，推动相关研究从定性展示迈向定量评估，对后续算法开发与评估具有深远影响。

当前挑战

该数据集直面多重挑战：在领域层面，多视角重光照需同时精确模拟光照传输与视角变化，现有数据集常受限于光照多样性或三维模型质量，难以支撑泛化能力强的模型训练；构建过程中，团队须严格筛选Objaverse中的低质量网格，并设计均匀的相机分布与光照旋转策略以保证数据多样性，同时确保训练、验证与测试拆分间在相机位姿、光照条件及三维对象上的严格无重叠，这一严谨流程实施起来颇具难度。

常用场景

经典使用场景

LavalObjaverseDataset作为大规模多视角重光照数据集，在计算机视觉与图形学交叉领域树立了新的基准。其核心构建理念在于融合Objaverse的丰富三维资产与Laval HDR光照库的多元环境，通过严格的渲染协议生成同步的多视角RGB图像、深度图及完整光照元数据。这一精心设计的资源为研究人员提供了理想的数据支撑，广泛应用于基于深度学习的任意物体重光照、神经辐射场（NeRF）的曝光不变视图合成，以及光照估计与三维场景理解等经典任务。该数据集以其规模宏大、光照多样性及视点-光照严格分离的划分策略，成为评估和推动生成式模型在复杂光照条件下泛化能力权威的平台。

实际应用

在实际应用层面，LavalObjaverseDataset的推出为影视特效制作、增强现实（AR）与虚拟现实（VR）内容创作、游戏开发及电子商务产品展示等众多依赖高质量三维渲染的行业带来了革新机遇。借助该数据集训练的重光照模型，创作者能够便捷地将数字对象无缝嵌入实拍场景，自动生成与真实环境光照匹配的影像而无需繁琐的人工灯光设置。在AR电商中，消费者可实时预览商品在自身家居光环境下的逼真外观。此外，在机器人导航与自动驾驶的仿真环境中，提供光照可变的三维物件为传感器仿真与算法鲁棒性测试提供了更真实的物理模拟基础，极大加速了虚拟至现实迁移的工程迭代。

衍生相关工作

LavalObjaverseDataset的发布催生了诸多后续开拓性工作。其构建流程与数据格式被广泛借鉴，促进了新一代大规模重光照数据集如专用材质与稀疏视点合成数据集的涌现。在算法探索上，围绕该数据集孕育了多篇SIGGRAPH、CVPR、ICCV等顶级会议论文，例如部分工作利用其训练基于扩散模型的通用重光照引擎（如结合了Neural Gaffer思想的扩展），实现物体在任意环境光下的感知逼真重照明与阴影生成。此外，可泛化的神经辐射场方法也以此数据集中严苛的类别-视点分割为评测基准，验证其在未见过物体上的跨域零样本推断能力。这些衍生研究共同印证了LavalObjaverseDataset作为领域孵化器的深远影响力，不断激发光照感知生成模型的新一轮学术热潮。