3DRealCar: An In-the-wild RGB-D Car Dataset with 360-degree Views

本文提出了第一个大规模的3D真实汽车数据集3DRealCar，填补了现有合成或低质量3D汽车数据集与高质量真实世界3D汽车数据集之间的巨大差距，从而限制了它们在实际场景中的应用。该数据集包含来自100多个品牌的各种汽车，采集了三种不同的光照条件下的汽车图像和点云，包括反射、标准和暗光。每辆汽车平均被捕获了200个密集的、高分辨率的360度RGB-D视图，可以进行高保真度的3D重建。此外，为了促进汽车解析任务的研究，我们还提供了每个实例的详细汽车解析地图。我们在3DRealCar中使用最先进的方法对每种光照条件下的3D重建结果进行了基准测试。广泛的实验表明，3DRealCar的标准光照条件部分可用于产生大量高质量的3D汽车，从而提高与汽车相关的各种2D和3D任务。值得注意的是，我们的数据集揭示了最近的3D重建方法在反射和暗光条件下重建高质量3D汽车方面面临的挑战。我们的数据集可以在此处获取。

提供高质量真实世界3D汽车数据集，填补现有3D汽车数据集的空白，以提高自动驾驶、虚拟/增强现实和游戏等领域的应用。

通过对2500辆汽车进行3D扫描，获取了每辆车200个高分辨率360度RGB-D视图，提供了具有真实世界尺寸的汽车图像和点云数据，并标准化汽车方向和去除背景点云以进行重建。此外，提供了详细的汽车解析地图以促进汽车解析任务的研究。

该数据集包含来自100多个品牌的各种汽车，收集了三种不同的照明条件，包括反射、标准和暗。研究人员使用该数据集进行了3D重建结果的基准测试，并发现最近的3D重建方法在反射和暗照明条件下重建高质量3D汽车方面存在挑战。该数据集对于提高与汽车相关的各种2D和3D任务具有重要意义。

最近的相关研究包括使用合成或低质量数据集进行3D汽车重建的方法，以及在汽车解析任务中使用的数据集。