ScanNet：屋内シーンの豊富に注釈された3D再構築

教師あり深層学習手法を活用するための重要な要件は、大規模なラベル付きデータセットの利用可能性です。残念ながら、RGB-Dシーン理解の文脈では、利用可能なデータは非常に少なく、現在のデータセットはシーンビューの範囲が狭く、意味的注釈も限定的です。この問題に対応するために、私たちはScanNetを導入します。これは1513のシーンにおける2.5百万ビューを含むRGB-Dビデオデータセットで、3Dカメラポーズ、表面再構築、および意味的セグメンテーションで注釈付けされています。このデータを収集するために、私たちは自動表面再構築とクラウドソーシングによる意味的注釈を含む、使いやすくスケーラブルなRGB-Dキャプチャシステムを設計しました。本データの利用により、3Dオブジェクト分類、意味的ボクセルラベリング、CADモデル検索など、複数の3Dシーン理解タスクで最先端の性能を達成できることを示します。