GauU-Scene V2: Expanse Lidar Image Dataset Shows Unreliable Geometric Reconstruction Using Gaussian Splatting and NeRF

我们介绍了一个新的大规模场景重建基准测试，利用了新开发的三维表示方法：高斯喷洒和神经辐射场，应用于我们广泛的GauU-Scene V2数据集。GauU-Scene V2覆盖了超过6.5平方公里的面积，具有全面的RGB数据集和与之配对的LiDAR地面真实数据。该数据集提供了城市和学术环境的独特组合，用于高级空间分析，覆盖了超过6.5平方公里的面积。我们还提供了详细的数据收集协议补充信息。此外，我们提供了一个易于跟随的流程，将COLMAP稀疏点云与详细的LiDAR数据集对齐。我们对U-Scene的评估包括使用基于图像的指标（如SSIM、LPIPS和PSNR）在各种新颖视点下进行的详细分析，结果显示在应用基于几何的指标（如Chamfer距离）时存在矛盾的结果。这引发了对当前基于图像的测量矩阵和高斯喷洒的几何提取方法的可靠性的怀疑。我们还在以下匿名项目页面上提供了数据集。

本论文旨在介绍一种新的大规模场景重建基准测试，利用高斯平面和神经辐射场等新型3D表示方法在GauU-Scene V2数据集上进行测试。同时，论文还试图探究当前基于图像的度量矩阵和几何提取方法在高斯平面上的可靠性问题。

论文提出了一种新的大规模场景重建基准测试，并探究了当前基于图像的度量矩阵和几何提取方法在高斯平面上的可靠性问题。

论文使用了GauU-Scene V2数据集，该数据集包含超过6.5平方千米的城市和学术环境，并提供了详细的数据收集协议。论文还提供了一种易于跟随的流程，将COLMAP稀疏点云与详细的LiDAR数据集对齐。实验结果表明，当前基于图像的度量矩阵和几何提取方法在高斯平面上的可靠性存在疑问，需要进一步研究。数据集已在匿名项目页面上提供。

近期在场景重建领域的相关研究包括：1. Neural Scene Flow Fields for Space-Time View Synthesis of Dynamic Scenes；2. DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation；3. DeepVoxels: Learning Persistent 3D Feature Embeddings；4. Learning to Reconstruct 3D Manhattan Wireframes from a Single Image。