Edit3D-Bench

Hugging Face2025-09-01 更新2025-09-02 收录

下载链接：

https://huggingface.co/datasets/huanngzh/Edit3D-Bench

下载链接

链接失效反馈

官方服务：

资源简介：

Edit3D-Bench是一个用于3D编辑评估的基准数据集，包含100个高质量的3D模型，其中50个来自Google扫描对象（GSO），另外50个来自PartObjaverse-Tiny。每个模型都有3个不同的编辑提示，并为每个提示提供了一套完整的注释3D资源，包括原始3D资产和渲染图像、指定编辑区域的3D遮罩和2D遮罩、以及由FLUX.1 Fill生成的2D编辑图像。

Edit3D-Bench is a benchmark dataset dedicated to 3D editing evaluation. It consists of 100 high-quality 3D models, among which 50 are sourced from Google Scanned Objects (GSO) and the remaining 50 from PartObjaverse-Tiny. Each model is paired with three distinct editing prompts, and a full suite of annotated 3D resources is provided for each prompt, including the original 3D asset and rendered images, 3D masks and 2D masks that delineate the specified editing regions, as well as 2D edited images generated via FLUX.1 Fill.

创建时间：

2025-08-23

原始信息汇总

Edit3D-Bench 数据集概述

数据集基本信息

名称：Edit3D-Bench
语言：英语
许可证：MIT
任务类别：图像到3D、文本到3D
标签：3D生成、3D编辑

数据集来源

该数据集由论文《VoxHammer: Training-Free Precise and Coherent 3D Editing in Native 3D Space》提出，包含100个高质量3D模型：

50个模型选自Google Scanned Objects (GSO)
50个模型选自PartObjaverse-Tiny

数据内容

每个模型提供3个不同的编辑提示，每个提示包含完整的标注3D资源：

原始3D资源及渲染图像
指定编辑区域的3D掩码及渲染图像
编辑区域的2D掩码
由FLUX.1 Fill生成的2D编辑图像

数据集结构

数据集按以下目录结构组织：

data/ ├── metadata.json
├── GSO/
│ ├── [object_name]/ │ │ ├── source_model/
│ │ │ ├── model.glb
│ │ │ ├── render/
│ │ │ ├── video_rgb.mp4
│ │ │ ├── video_normal.mp4
│ │ │ └── video_mask.mp4
│ │ ├── prompt_1/
│ │ │ ├── 2d_edit.png
│ │ │ ├── 2d_mask.png
│ │ │ ├── 2d_render.png
│ │ │ ├── 2d_visual.png
│ │ │ ├── 3d_edit_region.glb
│ │ │ └── render/
│ │ ├── prompt_2/
│ │ └── prompt_3/
│ └── ... └── PartObjaverse-Tiny/
├── [object_id]/ │ ├── source_model/
│ ├── prompt_1/
│ ├── prompt_2/
│ └── prompt_3/
└── ...

适用任务

3D编辑

获取方式

可通过Git LFS克隆完整数据集： Bash git lfs install git clone https://huggingface.co/datasets/huanngzh/Edit3D-Bench

引用信息

bibtex @article{li2025voxhammer, title = {VoxHammer: Training-Free Precise and Coherent 3D Editing in Native 3D Space}, author = {Li, Lin and Huang, Zehuan and Feng, Haoran and Zhuang, Gengxiong and Chen, Rui and Guo, Chunchao and Sheng, Lu}, journal = {arXiv preprint arXiv:2508.19247}, year = {2025}, url = {https://huggingface.co/papers/2508.19247} }

搜集汇总

数据集介绍

构建方式

Edit3D-Bench作为三维编辑领域的评估基准，其构建过程体现了严谨的数据采集策略。数据集精选100个高质量三维模型，其中50个源自Google Scanned Objects的高精度扫描实物，另外50个选自PartObjaverse-Tiny的多样化合成模型。每个模型配备三条经过专业设计的编辑指令，并配套完整的标注资产体系，包括原始三维资产及其多角度渲染图像、精确的三维编辑区域掩码、二维掩码图像以及通过FLUX.1 Fill生成的二维编辑效果图像，形成了多维度的数据支撑体系。

使用方法

研究人员可通过Git LFS工具克隆完整数据集，数据集采用清晰的树状目录结构组织，metadata.json文件提供了完整的元数据索引。使用时可依据具体研究需求，选择加载原始三维模型、编辑区域掩码或渲染图像等不同模态数据。评估过程中，算法输出结果可与数据集提供的三维编辑区域标注和二维参考图像进行定量对比，具体评估指标和实施方案可参考项目GitHub仓库提供的详细技术文档，确保评估过程的标准化与可重复性。

背景与挑战

背景概述

三维编辑技术作为计算机视觉与图形学交叉领域的重要研究方向，近年来随着神经辐射场与扩散模型的发展取得显著突破。Edit3D-Bench数据集由研究团队于2025年提出，旨在构建标准化评估体系以推动三维编辑算法的精确性与一致性研究。该数据集整合Google Scanned Objects与PartObjaverse-Tiny的100个高质量三维模型，每个模型配备三组精细化编辑指令及完整标注资源，为三维生成式编辑任务提供了权威的基准测试平台。

当前挑战

三维编辑领域长期面临编辑区域精确控制与空间一致性保持的双重挑战，传统方法往往在几何结构保持与纹理协调方面存在局限。数据集构建过程中需解决多源三维模型格式统一、编辑区域三维掩码精准标注、二维与三维数据协同标注等关键技术难题。针对每个模型生成符合语义一致性的编辑指令时，还需克服文本描述与三维空间属性的对齐问题，确保评估基准的严谨性与可复现性。

常用场景

经典使用场景

在三维内容生成领域，Edit3D-Bench作为标准化评估基准，为三维编辑算法的性能比较提供了统一框架。该数据集通过提供高质量的三维模型资源及多模态标注信息，支持研究者系统性地测试文本引导或图像引导的三维编辑方法，特别是在局部几何修改和语义一致性保持方面的表现。其精心设计的提示词-编辑结果配对机制，使得算法在保持三维结构连贯性的同时实现精准语义控制成为可能。

解决学术问题

该数据集有效解决了三维编辑研究中缺乏标准化评估体系的核心问题，为训练无关编辑方法的性能量化提供了科学依据。通过提供精确的三维掩码和二维编辑图像标注，它使研究者能够客观评估编辑算法的空间精度、语义对齐度以及视觉真实性。这种结构化数据支撑显著推进了三维原生编辑技术的发展，为突破二维投影编辑带来的几何不一致性瓶颈提供了关键数据基础。

实际应用

在虚拟现实内容创作和数字孪生构建中，Edit3D-Bench支撑的编辑技术能够直接应用于三维资产的快速定制化修改。设计师可通过文本指令直接调整模型局部特征，如修改家具造型或改变建筑构件风格，大幅提升三维内容生产效率。游戏开发领域亦可利用其实现角色道具的实时编辑，避免重新建模的成本，推动交互式三维创作流程的革新。

数据集最近研究