UAV3DCrop：重复多角度无人机作物调查中的 3D 重建基准测试

准确的 3D 作物监测通过对植物结构、生长动态和管理响应进行田间规模分析，支撑数据驱动的精准农业。现代 3D 重建方法在通用基准上表现强劲，但渲染的外观可能无法转化为农田中度量和农艺上有用的几何形状。我们介绍 UAV3DCrop，这是重复多角度无人机 (UAV) 作物调查的公共基准。它包含 88,830 个 RGB 图像，像素为 5280×3956，地面采样距离为 3.6-5.8 毫米，来自涵盖玉米、大豆、小麦和燕麦的 91 个场景。轨道 A 在保留视图、摄影测量参考深度和冠层高度恢复方面评估了七种场景优化方法——神经辐射场 (NeRF) 和 3D高斯泼溅 (3DGS) 变体。 Track B 测试了四种关于零样本相机姿态和几何估计的预训练前馈模型。场景优化方法在三个目标中的排名不同：Splatfacto-big 领先外观，而 Scaffold-GS 领先深度，并且在树冠高度方面与 Splatfacto 统计相关。在前馈模型中，MapAnything 在八个指标中的七个上领先，而其余模型在不同作物之间差异更大，并且在绝对规模上严重失败，从而被对齐所掩盖。重复采集揭示了因输出类型和模型而异的进一步敏感性，与采集序列内的位置和连接点多重性相关。因此，当前的 3D 重建方法在农艺用途中还不能互换：没有一种方法可以同时在外观、几何形状和冠层高度上获胜，并且四种前馈模型中只有一种可以恢复可用的公制尺度。该数据集可在 https://link-dev.github.io/UAV3DCrop/ 上公开获取