COGS: A Diagnostic Benchmark for Attribute-Aware Object-Level 3D Gaussian Splatting Perception
作者: Zheng Xiao, Yifan Liu, Weijian Deng, Jiashu Li, Ziqin Liu, Zhenjun Han, Jianbin Jiao
分类: cs.CV
发布日期: 2026-10-29
备注: Accepted at WACV 2027, Datasets and Benchmarks Track. 20 pages, including references and supplementary material
🔗 代码/项目: HUGGINGFACE
💡 一句话要点
提出COGS数据集以解决3D感知中高斯属性利用不均的问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D感知 高斯点云 数据集 属性分析 机器学习 计算机视觉 模型诊断
📋 核心要点
- 现有的3D高斯点云感知方法在利用异构高斯属性时存在不明确性，导致准确性难以解释。
- 提出COGS数据集，包含丰富的外观和经过伪影过滤的对象，以支持系统的属性级分析和诊断。
- 实验结果表明，COGS-Bench能够有效评估属性使用，且HALO模型在保留属性证据方面表现优异。
📝 摘要（中文）
3D高斯点云（3DGS）作为3D感知的输入表示形式日益受到关注，但现有架构如何利用异构高斯属性仍不明确。这种模糊性使得准确性难以解释，并限制了3DGS感知的架构设计。现有的对象级3DGS数据集缺乏系统的属性级分析所需的外观变化或伪影控制。为此，我们引入了COGS，一个包含15,675个经过伪影过滤和外观丰富的对象的大规模3DGS数据集，涵盖40个类别。基于COGS，我们建立了COGS-Bench，用于对象分类和属性使用诊断，并辅以外部验证。我们的基准显示，高斯属性并非均匀有益：选择的子集可以超越完整属性集，外观、不透明度和协方差相关属性组合的效果在不同架构中变化显著。我们进一步通过HALO模型研究这一发现，该模型在层次聚合之前保留属性特定证据。实验结果表明，COGS支持对3DGS属性使用的系统诊断，而HALO突显了角色保留属性组织的价值。
🔬 方法详解
问题定义：本论文旨在解决现有3D高斯点云（3DGS）感知方法在利用异构高斯属性时的模糊性和不均匀性问题。现有方法缺乏系统的属性级分析，导致准确性难以解释。
核心思路：论文提出COGS数据集，包含丰富的外观和经过伪影过滤的对象，以便进行系统的属性级分析。通过建立COGS-Bench，研究不同架构对高斯属性的利用情况，从而揭示属性使用的有效性和局限性。
技术框架：整体架构包括COGS数据集的构建、COGS-Bench的设计以及HALO模型的实现。COGS数据集提供了多样化的对象，COGS-Bench用于分类和属性诊断，而HALO模型则在层次聚合前保留属性特定证据。
关键创新：最重要的技术创新在于COGS数据集的构建和HALO模型的设计。COGS数据集通过伪影过滤和外观丰富性，为属性级分析提供了基础，而HALO模型通过保留属性证据，提升了对属性使用的理解。
关键设计：在设计上，COGS数据集包含15,675个对象，涵盖40个类别，确保了数据的多样性和代表性。HALO模型的网络结构设计注重保留属性特定证据，具体的损失函数和参数设置则针对属性组合的有效性进行了优化。
🖼️ 关键图片
📊 实验亮点
实验结果显示，使用COGS-Bench进行的评估表明，某些高斯属性子集的表现超过了完整属性集，具体而言，外观、不透明度和协方差相关属性组合在不同架构中的效果差异显著。这一发现为3DGS感知的架构设计提供了新的视角和指导。
🎯 应用场景
该研究的潜在应用领域包括机器人视觉、自动驾驶、增强现实等3D感知相关的技术。通过提供系统的属性级分析，COGS数据集能够帮助研究人员和工程师更好地理解和优化3D感知系统，提升其在复杂环境中的表现。未来，随着3D感知技术的发展，COGS数据集有望成为相关领域的重要基准。
📄 摘要（原文）
3D Gaussian Splatting (3DGS) is increasingly explored as an input representation for 3D perception. Yet it remains unclear how current 3D architectures exploit heterogeneous Gaussian attributes. This ambiguity makes accuracy hard to interpret and limits principled architecture design for 3DGS perception. However, existing object-level 3DGS datasets lack the appearance variation or artifact control needed for systematic attribute-level analysis. We introduce COGS, a large-scale 3DGS dataset with 15,675 artifact-filtered and appearance-rich objects across 40 categories. Built on COGS, we establish COGS-Bench for object classification and attribute-usage diagnosis, complemented by external validation. Our benchmark shows that Gaussian attributes are not uniformly beneficial: selected subsets can outperform the full attribute set, and the effects of appearance, opacity, and covariance-related attribute combinations vary substantially across architectures. We further study this finding with HALO, a reference model that preserves attribute-specific evidence before hierarchical aggregation. Experiments on COGS-Bench and external 3DGS datasets demonstrate that COGS supports systematic diagnosis of 3DGS attribute usage, while HALO highlights the value of role-preserving attribute organization. Our dataset is available at https://huggingface.co/datasets/XiaoZhengCV/COGS.