CM-EVS：用于完整场景覆盖的稀疏全景RGB-D-姿态数据
原帖
**CM-EVS：用于完整场景覆盖的稀疏全景RGB-D-姿态数据**
_CM-EVS: Sparse Panoramic RGB-D-Pose Data for Complete Scene Coverage_
> 该论文提出了一种名为COVER的无训练视角筛选方法，用于将3D资产（如室内扫描、点云等）转换为稀疏、几何一致且覆盖完整的全景RGB-D-姿态数据集。基于此方法构建了CM-EVS数据集，包含来自多个室内外场景的36,373个精选帧，以较少的帧数实现了对完整场景的覆盖，旨在解决现有数据采集方法冗余高、标注异质、覆盖不全等问题，为几何一致的全景3D学习提供了高效资源。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-18 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.15597)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
该帖子介绍了论文提出的COVER方法及CM-EVS数据集，旨在解决现有3D数据采集方法冗余高、覆盖不全的问题。CM-EVS包含36,373个精选帧，为几何一致的全景3D学习提供了高效资源。
答案说明
帖子介绍了一种名为COVER的无训练视角筛选方法，用于将3D资产转换为稀疏、几何一致且覆盖完整的全景RGB-D-姿态数据集，并基于此构建了包含36,373个精选帧的CM-EVS数据集。
这篇帖子回答的问题
- COVER方法的主要目的是什么？
- CM-EVS数据集包含多少精选帧？
核心观点
- 论文提出了名为COVER的无训练视角筛选方法，用于将3D资产转换为稀疏、几何一致且覆盖完整的全景RGB-D-姿态数据集。
- 基于COVER方法构建的CM-EVS数据集包含来自多个室内外场景的36,373个精选帧，旨在以较少帧数实现完整场景覆盖。
FAQ
- Q: COVER方法与传统3D数据采集方法有何不同？
- A: 帖子指出COVER方法旨在解决现有方法冗余高、标注异质、覆盖不全的问题，通过无训练视角筛选生成稀疏但覆盖完整的数据集。
- Q: CM-EVS数据集的主要应用场景是什么？
- A: 帖子称其为几何一致的全景3D学习提供了高效资源。
关键实体
- CM-EVS
- COVER
- 全景RGB-D-姿态数据
- 几何一致的全景3D学习