本数据面向三维视觉计算、数字孪生及智能制造等应用领域，内容形式与 Objaverse 类似，涵盖多类型、高精度三维对象的几何结构与纹理信息，可支撑多样化的算法研发与工程实践场景。依托该数据可开展三维重建、目标识别、语义与实例分割、姿态估计、形状检索等任务的模型训练与技术验证，促进 3D Gaussian Splatting、NeRF、三维生成模型等新型算法在复杂场景下的性能提升。同时，该数据亦可应用于虚拟现实/增强现实内容制作、虚拟场景搭建、工业设备数字化、智能机器人操作仿真等领域，有助于推动高精度三维内容理解、生成式三维建模以及数字资产生产在科研与产业中的落地。
1）代表图片的获取：采集者用手机拍摄物体，并选取一张最能代表物体外观的视角图作为该样本的“场景参考图/代表图片”，用于快速浏览与后续描述生成。2）文本描述的生成：以代表图片作为输入，调用预训练多模态大模型 GPT-4 生成物体的结构化文本描述，描述内容聚焦类别、形状结构、颜色材质、纹理细节与显著外观特征，明确约束不输出任何个人身份相关信息，作为样本的语义描述字段。3）彩色图像、彩色深度数据与相机位姿的获取：采集设备在扫描过程中同步记录 RGB 纹理图与深度图，深度由结构光主动投影与多视几何匹配得到，并按帧序号与 RGB 一一对应保存；同时读取并保存纹理相机内参。相机位姿由基于序列数据的 SLAM/视觉里程计计算得到，输入为按时间对齐的彩色图像与相机内参，经过特征提取与匹配、帧间跟踪、关键帧优化与回环约束等步骤，输出每一帧相机到世界坐标系的外参矩阵，存放于`out/pose/`，并对异常帧进行剔除/平滑以保证位姿连续稳定。4）模型数据（真实网格）的生成：以多帧彩色图像、深度数据与对应相机位姿为主要输入，先进行多视角配准与融合（如基于位姿的点云对齐、位姿图优化、深度融合/体素融合），再执行几何滤波（离群点去除、噪声平滑）、孔洞修补与拓扑优化（非流形修复、网格连通性修正），并进行网格简化以在精度与规模间平衡；随后将多视角彩色纹理投影回网格进行颜色采样与融合，生成 UV/材质并进行纹理压缩，最终输出高精度网格与材质文件至 `out/obj/`，对应 `obj/mesh` 与 `mtl/texture` 等结果文件。上述生成流程仅面向物体几何与纹理重建，不包含对人物身份或个体特征的识别推断；若采集过程中出现背景敏感元素，将在采集与预处理阶段进行遮挡、去标识化或剔除处理后再入库。
| 字段名 | 类型 | 描述 |
|---|---|---|
代表图片 |
-- | -- |
文本描述 |
-- | -- |
模型数据 |
-- | -- |
相机位姿 |
-- | -- |
彩色图像数据 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 代表图片 | ftp://10.10.130.17/ScanData/2024-H2-CHIN |
| 文本描述 | The central object in this image is a be |
| 模型数据 | ftp://10.10.130.17/ScanData/2024-H2-CHIN |