NBA2K Dataset

该数据集收集了来自NBA2K19游戏引擎的RGB图像、三角网格带UV坐标、纹理图、3D人体姿势和相机投影矩阵。数据集在篮球姿势上具有多样性，并提供了行业级别的穿着篮球运动员网格。

This dataset gathers RGB images, triangular meshes with UV coordinates, texture maps, 3D human poses, and camera projection matrices derived from the NBA 2K19 game engine. It features diverse basketball-specific poses and provides industry-grade basketball player meshes with clothing.

原始信息汇总

NBA2K 数据集

概述

本数据集包含从 NBA2K19 游戏引擎中收集的 RGB 图像、三角网格（带 UV 坐标）、纹理图、3D 人体姿态和相机投影矩阵。数据集在篮球姿态上具有高度多样性，并提供行业级别的着装篮球运动员网格。

数据内容

数据采集模式：

• 2ku: 在 2KU 自由风格模式下采集，每帧仅包含一个球员，主要用于获取花式运球、上篮、扣篮和投篮姿态。
• normal: 在快速比赛模式下采集，每帧最多包含 10 名球员，包含遮挡和各种正常篮球比赛中的姿态。
• rest pose: 在球员编辑模式下采集，每个球员站立姿态采集一次。

文件结构

• images.zip: 包含 /release/${player_name}/${capture_mode}/${capture_name}.png，即帧捕获的 RGB 图像。
• pose.zip: 包含 /release/${player_name}/${capture_mode}/${capture_name}/players/${person_id}_person_v2_transform_v2.npy（球员的 3D 骨骼变换）和 /release/${player_name}/${capture_mode}/${capture_name}/proj_mat.npy（4x4 相机投影矩阵）。
• mesh.zip: 包含原始和注册的三角网格，以及纹理图和身体分割文件。
• mesh_release.zip: 用于训练网格生成网络的预处理数据。

数据处理

提供了数据处理脚本，需要安装 numpy、opencv-python、shapely 和 imgaug 等依赖库，并确保有足够的磁盘空间（超过 100GB）。

数据请求

请填写 Google 表单 以请求数据集。

重要说明

由于版权问题，无法发布当前 NBA 球员的数据，而是收集了 28 名合成球员的相同类型数据。

许可证

数据集在 Creative Commons BY-NC-SA 4.0 许可证下提供，允许非商业用途的使用、重新分发和改编，需注明出处并公开衍生作品。

引用

如使用本数据集，请引用相关论文。

搜集汇总

数据集介绍

构建方式

NBA2K数据集通过从NBA2K19游戏引擎中采集多模态数据构建而成，涵盖了RGB图像、三角网格、UV坐标、纹理图、3D人体姿态以及相机投影矩阵。数据采集分为三种模式：2ku模式捕捉单个球员的复杂动作，如运球、上篮、扣篮和投篮；normal模式捕捉最多10名球员的常规比赛场景，包含遮挡和多样化的篮球动作；rest pose模式则在球员编辑模式下捕捉每个球员的站立姿态。这些数据经过处理后，形成了包含多种人体部位的三角网格和简化的全身网格，确保了数据在不同场景下的多样性和实用性。

使用方法

使用NBA2K数据集时，用户可以直接利用mesh_release.zip中的训练数据，或通过提供的脚本处理原始数据。首先，用户需安装必要的依赖库，如numpy、opencv-python等，并确保有足够的磁盘空间。接着，下载并解压images.zip、pose.zip和mesh.zip文件，设置prepare_data.py中的root_folder路径，运行脚本进行数据预处理。此外，用户还可以使用gen_line_maps.py生成球场线掩码。数据集的多样性和精细结构使其适用于多种计算机视觉任务，如3D人体姿态估计、网格生成和纹理映射等。

背景与挑战

背景概述

NBA2K数据集是由华盛顿大学的研究团队在2020年ECCV会议上提出的，旨在通过从NBA2K19游戏引擎中提取的RGB图像、三角网格、纹理图、3D人体姿态和相机投影矩阵，重建NBA球员的3D模型。该数据集的核心研究问题是如何在复杂的篮球动作和多人场景中，准确捕捉和重建球员的3D形态。其多样化的篮球动作和高质量的 clothed 篮球球员网格为计算机视觉领域提供了宝贵的资源，尤其是在人体建模和动作捕捉方面。

当前挑战

NBA2K数据集在构建过程中面临了多重挑战。首先，数据采集模式多样，包括单人自由模式、多人比赛模式和静态站立模式，这要求数据处理算法能够适应不同场景下的复杂性。其次，多人场景中的遮挡问题和不同球员的姿态多样性增加了数据标注和处理的难度。此外，由于版权限制，原始数据无法公开，研究团队不得不使用合成球员数据，这可能导致与真实球员数据的差异，进而影响模型的泛化能力。

常用场景

经典使用场景

NBA2K数据集在计算机视觉领域中被广泛应用于三维人体重建和姿态估计任务。该数据集提供了丰富的篮球运动员的RGB图像、三角网格、纹理图、三维姿态以及相机投影矩阵，特别适用于研究复杂的篮球动作和姿态。通过分析这些数据，研究者可以开发出能够精确捕捉和重建篮球运动员动态姿态的算法，从而推动三维人体建模技术的发展。

解决学术问题

NBA2K数据集解决了三维人体建模中的多个关键学术问题，包括复杂运动姿态的重建、遮挡情况下的姿态估计以及不同服装和身体部位的精确建模。该数据集的多样性和高质量数据为研究者提供了宝贵的资源，有助于推动计算机视觉和图形学领域的发展，特别是在人体运动分析和虚拟现实应用中具有重要意义。

实际应用

NBA2K数据集在多个实际应用场景中展现了其价值，如体育分析、虚拟现实和游戏开发。在体育分析中，该数据集可以帮助教练和分析师更精确地评估运动员的技术动作和表现。在虚拟现实领域，它可以用于创建逼真的虚拟人物和场景，增强用户体验。此外，游戏开发者可以利用该数据集优化游戏中的角色动画和物理交互，提升游戏的真实感和沉浸感。

数据集最近研究

最新研究方向

近年来，NBA2K数据集在计算机视觉和图形学领域引起了广泛关注，尤其是在三维人体重建和动作捕捉方面。该数据集通过从NBA2K19游戏引擎中提取的RGB图像、三角网格、纹理图、3D人体姿态及相机投影矩阵，为研究者提供了丰富的篮球运动员姿态和服装细节。前沿研究主要集中在利用这些数据进行高精度人体模型重建、动作合成以及虚拟现实中的实时渲染。此外，数据集的多模式捕捉方式（如2ku、normal和rest pose）为研究遮挡处理、姿态多样性和运动模拟提供了宝贵的资源。这些研究不仅推动了虚拟人物生成技术的发展，还为体育分析、游戏开发和影视制作等领域带来了深远的影响。