Spatial Foundry：面向空间智能的多模态数据集

空间学习需要视觉观测与底层场景结构之间的对应关系。显式几何、物体身份和相机标定提供了图像外观之外的监督信息。

平面图、点云与可编辑网格提供场景结构的互补表示。标定的透视与全景 RGB 关联米制深度、物体 ID 和 3D 包围框；视频帧配套相机轨迹与逐帧位姿。

住宅布局估计、米制三维重建、实例级场景理解、具身导航与相机条件世界建模。

统一的三维参照连接不同视图、模态和时间序列中的监督信息。

有限的环境多样性可能使模型偏向熟悉的布局和物体配置。场景结构与家具的变化支持对跨住宅环境泛化能力的评估。

住宅场景配置配套图像、深度、相机标定、物体标注与三维几何。相机轨迹和对应视频保留了局部观测与全局场景结构之间的关系。场景数量包含同一布局的家具变体。

深度估计、重建与物体感知的跨场景泛化；场景检索；多样化住宅布局下的相机条件生成。

布局与家具配置提供了研究环境泛化的不同变化维度。

几何学习依赖一致的相机模型与米制尺度。外观、深度和相机标定之间的偏差会给监督和评估引入歧义。

透视 RGB 与深度直接从源场景渲染，并保留相机内参与外参。等距柱状全景与显式三维几何提供同一环境的互补表示。

透视与全景深度估计、RGB-D 融合、多视图重建、新视角合成，以及神经场景表示的几何评估。

一致的场景坐标支持图像空间预测与显式三维结构之间的比较。

实例级场景理解要求物体身份在不同视角下保持一致。显式三维边界与尺寸为定位和空间关系提供几何参照。

场景网格、RGB 观测和点云共用物体 ID 与米制三维边界。投影标注建立可见图像区域与底层场景实例之间的对应关系。

3D 物体检测、视觉定位、跨视图实例关联，以及从视频预测结构化场景。

共享实例身份使同一环境的多次观测能够采用一致的监督。

文字运动指令无法完整定义相机轨迹。显式位姿序列规定位置、朝向与时序，使相机控制和空间一致性能够被重复评估。

视频帧关联相机位姿、内参与时间戳。带家具三维场景中的路线支持在保持环境不变的条件下，可控地改变观察方向、高度和速度。

相机条件视频生成、视觉导航、可控场景探索，以及通过重访评估空间记忆。

渲染参照序列支持在明确指定的相机条件下进行比较。

多智能体世界建模要求不同观察者共享一致状态。一个参与者发起的场景更新，应在其他视角中得到体现，并在后续观测中保留。

独立参与者相机关联共享物体身份、变换和编辑事件。同步观测为区分视角变化和场景状态变化提供参照。

协作探索、多智能体空间推理、共享状态预测，以及在线世界模型的一致性评估。

共享三维状态为多观察者交互提供可复现参照。

空间一致的编辑要求变化持续存在于单张图像之外。更新后的物体几何需要与遮挡、光照和后续相机视角保持协调。

可编辑物体网格、材质和变换支持显式场景状态变化。编辑前后观测关联对应的编辑事件和相机位姿。

交互式场景编辑、指令引导的三维操控、动作条件世界模型与反事实场景合成。

记录的场景状态变化为编辑和动作效果预测提供可复现监督。