我们报告了一个关于 POLAR3D 的努力，它是由美国宇航局生成的模拟月球照明条件的 POLAR 数据集的数字资产。我们的贡献有两个方面：首先，我们为 POLAR 数据集中的每张照片进行了注释，为岩石及其阴影提供了约 23,000 个标签；其次，我们数字化了 POLAR 数据集中的几个月球地形场景。POLAR3D 是一组数字资产，包括岩石 / 阴影标签和与月球地形场景的数字孪生体相关的 obj 文件。该数据集可用于训练月球探测的感知算法和合成原始 POLAR 收集之外的照片真实场景。同样，obj 资产可以集成到模拟环境中，以促进数字化 POLAR 场景中逼真的月球车操作。POLAR3D 公开可用，以帮助感知算法开发、相机模拟工作和月球模拟练习。

Sep, 2023

提出了两个新的光谱极化数据集：三色 Stokes 图像和高光谱 Stokes 图像。这些数据集包含线性和圆偏振；引入了多个光谱通道；并且具有广泛选择的真实世界场景。通过这些数据集，分析了光谱极化图像的统计特性，发展了高维数据的有效表示方式，并评估了形态 - 来自 - 极化方法的光谱依赖性。该数据集为数据驱动的光谱极化成像和视觉研究奠定了基础。数据集和代码将公开提供。

Nov, 2023

为了解决冰卫星着陆任务中的采样自主性问题，我们提出了图形化工具用于冰卫星表面模拟 (GUISS) 框架，用于生成深度估计的立体数据集，并评估了传统和深度学习算法在不同的可视化假设下的性能。

Jan, 2024

本文提供了一组经过立体校正的卫星图像及其对应的地面真实位移图，以供研究者进行立体重建的进一步研究，该数据集包括来自两个源的 10 个感兴趣区域，其中 8 个来自 IARPA 的 MVS Challenge 数据集，2 个来自 CORE3D-Public 数据集。

Jul, 2019

本文描述了 Holopix50k 这一在野外采集的新型立体图像数据集，用于训练改进移动摄影场景下的立体超分辨率和无监督单目深度估计算法，并展示了该数据集的实际应用以激励新的作品和用例。

Mar, 2020

本文中，我们分析了使用 RGB 偏振相机相比 RGB 相机在感知任务中的潜在效果，并探讨了深度神经网络的应用，研究表明，使用 RGB 偏振相机可以在双目深度估计和自由空间检测方面实现可量化的改进，同时，我们还提出了一种新的数据集，为感知算法的发展提供了支持。

May, 2023

从 LiDAR 和图像直接生成地面实况视差图以产生大量且多样化的数据集，并通过 LiDAR 与图像间的配准细化方法来避免精度损失和处理遮挡，从而实现了在不同数据集中评估 11 种密集匹配方法，其中 GANet 在相同的训练和测试数据上表现最佳，而 PSMNet 在不同数据集上表现稳健，并提出了在有限数据集上进行训练的最佳策略。

Feb, 2024

本文介绍了一个大规模 360 度视频数据集，包含各种环境和上下文，以及相机的姿态和深度图，证明了该数据集在单一图像深度估计和视图合成两个主要任务中的相关性。

Jun, 2024

提出了一种混合深度成像系统，利用极化相机辅以标准数字相机的第二张图像，通过立体提示结构，使用高阶图模型实现去混淆极化表面法线估计，并利用先前的极化成形方法扩展至透视情况，从而计算稠密详细的绝对深度图。

Mar, 2019

本文介绍了一个新的被动感知方式 —— 事件相机，可以完成多种 3D 感知任务，并提供了一个涵盖各种环境和照明水平的大型数据集，包括了事件流、灰度图像和 IMU 读数，并提供了真确的姿势和深度图像。同时还提供了来自基于框架的立体相机系统的同步灰度图像和 IMU 读数的比较。

Jan, 2018