[论文] Pumpire: Unified Benchmark for Metric Distance Estimation

论文概要

研究领域: CV
作者: Siyu Chen, Zehan Wang, Jiayang Xu, Yihan Wu, Jialei Wang, Junming Chen, Ziang Zhang, Yutong Ying, Zhou Zhao
发布时间: 2026-10-08
arXiv: 2610.12423

中文摘要

我们提出 Pumpire——一个统一基准，用于评估图像级和视频级 3D 基础模型的度量点对距离估计能力，无论是否使用深度先验。与以往通常分别评估深度和相机内参、或使用几何相似性指标评估点云的方法不同，这些方法无法直接反映模型的点对点距离估计能力，Pumpire 直接从重建几何中评估点对点距离。为此，我们收集了一个大规模多样化数据集（pumpire-6k），包含 100 个真实世界场景，每个场景标注了物理测量的点对距离并包含 64 帧，共计 6,400 帧。在此数据集上，我们建立了整体评估协议，覆盖图像级和视频级 3D 基础模型，支持点对距离误差的直接评估和跨设置比较。我们对 29 种代表性 3D 基础模型的基线配置进行了大量实验并提供了全面分析。通过提供这一基准，我们瞄准的是感知和估计重建 3D 空间中物理尺度的更基础能力，而此前的评估协议在很大程度上忽视了这一点。项目页面：https://pumpire.github.io/

原文摘要

We present Pumpire, a unified benchmark for evaluating metric point-pair distance estimation capability of both image- and video-level 3D foundation models, with or without depth priors. In contrast to previous approaches that normally evaluate depth and camera intrinsics separately or evaluate point-clouds with geometric similarity metrics, which cannot directly reflect models' point-to-point distance estimation capability, Pumpire directly assesses point-to-point distances from the reconstructed geometry. To this end, we collect a large-scale and diverse dataset (pumpire-6k) comprising 100 real-world scenes, each annotated with physically measured point-pair distances and containing 64 frames, for a total of 6,400 frames. Building on this dataset, we establish a holistic evaluation proto...

自动采集于 2026-10-11

#论文 #arXiv #CV #小凯