1. 一眼概覽

MegaSynth 提出了一種基于非語義合成數(shù)據(jù)的大規(guī)模 3D 場景重建方法，生成 70 萬個(gè)合成場景數(shù)據(jù)集，訓(xùn)練大型重建模型（LRMs），相比使用真實(shí)數(shù)據(jù)訓(xùn)練的模型，PSNR 提升 1.2~1.8 dB，顯著增強(qiáng) 3D 場景重建的廣覆蓋能力。

2. 核心問題

當(dāng)前 3D 場景重建方法受限于：

• 數(shù)據(jù)規(guī)模受限：現(xiàn)有真實(shí)數(shù)據(jù)集 DL3DV 僅 10K 場景，遠(yuǎn)小于物體級(jí)數(shù)據(jù)集（如 Objaverse 80 萬個(gè)實(shí)例）。
• 數(shù)據(jù)分布不理想：現(xiàn)有數(shù)據(jù)集多為人工采集，難以確保場景多樣性，攝像機(jī)運(yùn)動(dòng)范圍受限，且可能包含噪聲和不精確標(biāo)注。
• 計(jì)算成本高昂：現(xiàn)有優(yōu)化方法（如 3DGS）計(jì)算成本高，推理速度慢，難以應(yīng)用于大規(guī)模場景。

MegaSynth 通過合成數(shù)據(jù)突破數(shù)據(jù)瓶頸，使 3D 場景重建更高效、精準(zhǔn)，并能泛化至真實(shí)數(shù)據(jù)。

3. 技術(shù)亮點(diǎn)

大規(guī)模非語義數(shù)據(jù)生成：提出 MegaSynth 數(shù)據(jù)集，通過程序化生成 70 萬個(gè)場景，無需建模語義信息（如物體屬性和布局），避免語義復(fù)雜性帶來的計(jì)算開銷。

合成數(shù)據(jù)+真實(shí)數(shù)據(jù)混合訓(xùn)練：通過 MegaSynth 預(yù)訓(xùn)練 + 真實(shí)數(shù)據(jù)微調(diào)，提高模型泛化能力，實(shí)現(xiàn) 1.2~1.8 dB PSNR 提升。

新型 LRM 訓(xùn)練策略：基于 GS-LRM 和 Long-LRM 兩種模型，利用合成數(shù)據(jù)進(jìn)行高效重建，使模型性能與僅用真實(shí)數(shù)據(jù)訓(xùn)練的模型相當(dāng)。

4. 方法框架

MegaSynth 通過以下步驟完成 3D 場景重建：

1)合成數(shù)據(jù)生成：

? 場景布局：生成 3D 立方體空間，隨機(jī)分布幾何體（如立方體、球體、圓柱等）。

? 幾何和紋理生成：隨機(jī)組合幾何形狀并添加高度場擾動(dòng)。

? 光照建模：使用環(huán)境光、太陽光和發(fā)光物體生成多樣化光照條件。

2)數(shù)據(jù)訓(xùn)練策略：

    ? 訓(xùn)練 GS-LRM 和 Long-LRM，分別基于 Transformer 和 Mamba 架構(gòu)。

    ? 混合訓(xùn)練：先用 MegaSynth 預(yù)訓(xùn)練，再用 DL3DV 真實(shí)數(shù)據(jù)微調(diào)，以增強(qiáng)泛化能力。

   3) 損失優(yōu)化：

      ? 渲染損失（Limg）：基于 MSE 誤差和感知損失優(yōu)化 3D 紋理。

      ? 幾何損失（Lloc）：基于合成數(shù)據(jù)提供的精準(zhǔn)幾何信息，優(yōu)化 3D 高斯中心位置，提高幾何精度。

5. 實(shí)驗(yàn)結(jié)果速覽

? 數(shù)據(jù)集：

a.訓(xùn)練：MegaSynth（70 萬場景）+ DL3DV（7K 場景）

b.測試：DL3DV、Hypersim（高真實(shí)感渲染）、MipNeRF360、Tanks & Temples（真實(shí)世界數(shù)據(jù)）

? 關(guān)鍵實(shí)驗(yàn)結(jié)論：

a.訓(xùn)練包含 MegaSynth 數(shù)據(jù)的模型在 所有測試數(shù)據(jù)集 上均優(yōu)于僅用真實(shí)數(shù)據(jù)訓(xùn)練的模型，特別是在 Hypersim 和 MipNeRF360 這樣的跨域數(shù)據(jù)集上提升更明顯。

b.LRMs 僅用 MegaSynth 訓(xùn)練，性能接近于僅用真實(shí)數(shù)據(jù)訓(xùn)練的模型，表明 3D 場景重建的本質(zhì)是低層幾何建模，對(duì)語義信息的依賴較小。

6. 實(shí)用價(jià)值與應(yīng)用

MegaSynth 及其訓(xùn)練方法在多個(gè)領(lǐng)域有潛在應(yīng)用：

? 自動(dòng)駕駛：提升激光雷達(dá)與視覺融合的 3D 場景建模精度。

? 機(jī)器人導(dǎo)航：增強(qiáng)環(huán)境感知，提高路徑規(guī)劃可靠性。

? 增強(qiáng)現(xiàn)實(shí)（AR）與虛擬現(xiàn)實(shí)（VR）：支持高質(zhì)量 3D 資產(chǎn)生成和交互式虛擬場景建模。

? 城市建模與測繪：基于大規(guī)模圖像數(shù)據(jù)進(jìn)行高精度 3D 重建，提高城市規(guī)劃與測繪效率。

7. 開放問題

1)合成數(shù)據(jù)的泛化性：MegaSynth 在多種數(shù)據(jù)集上表現(xiàn)良好，但在 超大規(guī)模室外場景 或 極端環(huán)境光照 下，是否仍能維持高性能？

2)與其他生成式方法的結(jié)合：是否可以結(jié)合擴(kuò)散模型或神經(jīng)輻射場（NeRF），進(jìn)一步優(yōu)化數(shù)據(jù)生成質(zhì)量？

3) 數(shù)據(jù)合成策略優(yōu)化：當(dāng)前 MegaSynth 采用 非語義建模，如果引入一定的高層語義控制（如物體語義標(biāo)簽），是否能進(jìn)一步提升泛化能力？