MVM-IOD: An Industrial Object-Centric Benchmark Dataset for the Evaluation of 3D Reconstruction Methods
作者: Robert Langendörfer, Markus Hillemann, Markus Ulrich
分类: cs.CV
发布日期: 2026-06-15
💡 一句话要点
提出MVM-IOD数据集以解决工业3D重建与相机姿态估计问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D重建 相机姿态估计 工业数据集 机器视觉 前馈方法 图像处理 机器人技术
📋 核心要点
- 现有的3D重建和相机姿态估计方法在工业应用中面临高成本和时间限制的挑战，且大多数数据集缺乏真实工业场景的代表性。
- 本文提出MVM-IOD数据集，通过系统性捕获工业物体图像，提供参考相机姿态和3D点云，以支持对图像基础方法的评估。
- 实验表明，当前的前馈方法在处理该数据集时表现不佳，但通过简单的预处理步骤可以改善其性能，提示在工业应用中需谨慎使用这些方法。
📝 摘要（中文）
3D物体重建和相机姿态估计在工业应用中面临挑战，错误代价高昂且计算时间有限。现有数据集未能真实反映工业场景，因此本文提出了机器视觉计量工业物体数据集（MVM-IOD）。该数据集通过将相机安装在工业机器人末端执行器上，系统性捕获典型工业物体的图像，包含9个物体和2个背景选择，共18个场景，提供参考相机姿态和3D点云。基于MVM-IOD，作者评估了当前的最先进3D重建和相机姿态估计方法，并报告了实验结果，为未来研究提供基准。
🔬 方法详解
问题定义：本文旨在解决工业环境中3D物体重建和相机姿态估计的准确性和效率问题。现有方法在处理复杂工业物体时常常面临高错误率和计算时间限制，且缺乏适合的真实数据集。
核心思路：提出MVM-IOD数据集，通过在工业机器人末端执行器上移动相机，系统性地捕获工业物体的图像，提供真实的场景数据以支持评估和改进现有方法。
技术框架：MVM-IOD数据集包含9个物体和2个背景选择，形成18个场景，提供参考相机姿态和3D点云。评估流程包括对比现有的SOTA方法，如结构光、视图立体、前馈方法等，分析其在该数据集上的表现。
关键创新：MVM-IOD数据集的构建是本研究的核心创新，填补了工业3D重建领域缺乏真实场景数据集的空白，为后续研究提供了重要基准。
关键设计：数据集设计中，采用了系统性的图像捕获策略，确保了数据的多样性和代表性。此外，实验中通过简单的预处理步骤改善了前馈方法的性能，展示了数据集在实际应用中的潜力。
🖼️ 关键图片
📊 实验亮点
实验结果显示，当前的前馈方法在MVM-IOD数据集上表现不佳，生成的点云和相机姿态不理想。然而，通过简单的预处理步骤，可以将这些图像的分布调整至训练分布附近，提升了方法的有效性。这一发现为工业应用中的方法选择提供了重要的参考。
🎯 应用场景
MVM-IOD数据集的提出为工业3D重建和相机姿态估计提供了新的研究基础，适用于机器人视觉、自动化检测和工业监控等领域。该数据集的实际价值在于提升工业应用中的视觉系统性能，推动相关技术的发展与应用。
📄 摘要（原文）
3D object reconstruction, and camera pose estimation in industrial applications are challenging tasks, as errors are costly while the computation time is often limited. The complexity of typical industrial objects further complicates these tasks. Most of the existing datasets in this context do not depict realistic industrial scenarios. Therefore, we introduce the Machine Vision Metrology Industrial Object Dataset (MVM-IOD). Images of typical industrial objects are captured systematically, by moving a camera, mounted at the end effector of an industrial robot arm, on a hemisphere around the objects. MVM-IOD contains reference camera poses and reference 3D point clouds, the acquired RGB images of 9 objects and 2 background choices resulting in 18 scenes, which allows evaluation of all image based methods that compute a 3D reconstruction, camera poses, or novel views of a scene. Based on MVM-IOD, we extensively evaluate current SOTA 3D reconstruction and camera pose estimation methods, such as Structure from Motion, Multi-View Stereo, recent feed forward methods (Visual Geometry Grounded Transformer, π3), and 2D Gaussian Splatting and report our findings as a baseline for future research. The experiments show that capture setups like ours generate out-of distribution images for feed forward methods, leading to suboptimal point clouds and camera poses. However, these out-of-distribution images can be shifted closer to the training distribution by applying simple preprocessing steps. Consequently, in certain industrial applications, feed forward methods should be used with caution.