3DRealCar：An In-the-wild RGB-D Car Dataset with 360-degree Views
Du, Xiaobiao and Sun, Haiyang and Wang, Shuyun and Wu, Zhuojie and Sheng, Hongwei and Ying
來自很多單位，其中企業所在單位是Li Auto
專案地址： https://xiaobiaodu.github.io/3drealcar/
git code： https://github.com/xiaobiaodu/3DRealCar_Dataset
本文主要是介紹自己的資料集，大概一共有2500輛車的影像，每輛車平均200張圖，來自不同的角度拍攝的清晰圖，這個資料集，可以用來做很多事情，比如給2d檢測做資料擴充，給3d重建、3d場景生成，3d特殊場景模擬等提供資料。該資料是至今為止最大的資料集了吧，別的公開資料集都很少數量，或者質量不高。同時作者透過實驗驗證了資料的作用。
實驗驗證的流程如下：
1. framework
從圖中可以看到用到的模組很多，其中包括Grounding dino + SAM完成bg, fg的分割， Colmap生成 point clouds，而後基於3dgs生成 3d cars
程式碼裡只有前面資料預處理部分，3DGS部分不包含，需要自己搭建。即只包含以下部分
2.和street gaussian對比分析
和 Street Gaussians: Modeling Dynamic Urban Scenes with Gaussian Splatting，也是來自Li auto的工作，是zju和Li auto一起合作的工作，兩者其實區別蠻多的，
共同點：
都是用3d gaussian對物體進行建模的； 都是對adas場景進行處理； 都用到了額外的point cloud而不是隻有SFM產生的。
不同點：
street gaussian是場景下建模，是減去背景後留下前景，背景用一種建模方式球諧函式介紹（Spherical Harmonics），前景用一種建模方式 dynamic spherical harmonics model 動態球諧函式介紹（Spherical Harmonics）。因此，這個過程中有前景有背景。對背景進行了建模，也對前景進行了建模。結果比較模糊，好像沒辦法把單獨某個目標拿出來？這種方式是場景重建，但是不能對單個目標拿出來放到別的地方使用，或者是不知道怎麼用？
3drealdata更適合對前景目標建模。同一個目標影像更豐富，結果更加清晰，可以旋轉大角度，這種方式生成的資料可以把車輛放到任何位置或者任意pose下使用。3d real data使用的是標準的gaussian splatting，當然目的也只是為了驗證資料的有效性，不是驗證演算法，而street gaussian 是做了改進。