多非正交视角生成 3D Mesh：数据与评测调研

重点调研方法

100

已构建 benchmark 对象数

2/4/6/8

输入视角数量协议

每物体 held-out 评估视角

核心结论

现有论文的公开评测协议并不统一。单图到 3D 方法多用 GSO/OmniObject3D，强调单张输入和 orbit/benchmark 渲染；更贴近本课题的多非正交输入方法开始转向 GSO、Toys4K、Dora-bench、OmniObject3D，并报告 2/4/6/8 输入视角消融。可复现性最大的缺口是：很多论文公开了数据集和代码，但没有公开 exact object ids、camera json、渲染脚本和对齐细节。因此当前最稳的路线是用已下载的 GSO + Toys4K 自建固定 seed 的非正交视角评测集。

指标说明

指标	衡量内容	为什么对本课题有价值
PSNR / SSIM / LPIPS	预测 mesh 从测试视角渲染后，与 GT render 的像素、结构、感知相似度。	验证生成 mesh 是否能解释未见视角，避免只看输入视角过拟合。
CLIP / DreamSim	渲染图与 GT 图的语义或感知距离。	对纹理重绘、颜色偏差更宽容，可补充 PSNR 的局限。
Chamfer Distance	预测 mesh 和 GT mesh 表面采样点之间的双向距离。	直接衡量几何精度，是 mesh 重建的主指标之一。
F-score	给定距离阈值下 precision/recall 的调和平均。	比 CD 更能反映结构完整性，尤其适合比较缺面/多余面。
Normal Consistency / Normal-map PSNR	表面法线方向或法线渲染图的一致性。	能发现表面粗糙、局部凹凸错误和过度平滑。
Face count / failure rate	mesh 面片数、是否生成失败或不可加载。	评估工程可用性。TRELLIS.2 这类方法 raw mesh 面片数较高，必须报告简化前后结果。
ATE / RPE / AbsRel / RMSE	相机位姿和深度预测误差。	对无位姿多视角方法有价值，可解释 mesh 好坏来自 pose 估计还是生成先验。

论文评测协议对比

方法	输入设置	输出	训练数据/流程	测试集与规模	评估视角	指标	代码/数据/视角开放性	对本课题启发
UniRecGen (2026)	任意数量 unposed sparse views；论文图示和消融重点是 4 views，并报告 2/4/6/8。	mesh；VGGT 几何锚点 + Hunyuan3D-Omni 生成先验。	先训练/适配重建模块获得 canonical geometry anchor，再训练受控 3D generator。论文明确用 VGGT、Hunyuan3D-Omni 作为模块。	GSO + Toys4K；表中报告几何、pose、depth 指标。具体 object id 和 camera 文件未在论文正文中完整列出。	多视角输入；附录示例为 4 输入视角；评估视角协议未完全公开。	CD、Precision、Recall、F-score、Normal、IoU；ATE/RPE；AbsRel/RMSE。	代码仓库公开数据集公开exact views 待核实	最接近我们的任务：非正交、无位姿、多输入、mesh 输出。它也把 TRELLIS-S/TRELLIS-M 作为 baseline。
ReconViaGen (2025)	任意数量多视角输入；重点是 arbitrary camera poses。	mesh；将 VGGT 重建先验与 TRELLIS 生成先验结合。	本地代码含 `train_ss.py`、`train_slat.py`；数据目录为 ProObjaverse-300K，训练 SS Flow 与 SLat Flow。	Dora-bench + OmniObject3D；表中比较 VGGT、TRELLIS-S/M、Hunyuan3D-2.0-mv、LGM、InstantMesh、LucidFusion。	论文在 Dora-bench 上报告 2/4/6/8 输入消融；评估视角依赖 benchmark 渲染。	PSNR、SSIM、LPIPS、CD、F-score；pose 评估用 RRE/TE。	本地代码已有Dora-bench 已下载OmniObject3D 未完整	给出了我们应采用的主指标组合，并证明输入视角数增加通常提升质量但收益递减。
InstantMesh (2024)	单图输入，先生成 sparse views，再用 LRM 重建。	mesh 或 NeRF variant。	官方仓库公开 inference/training code，但不提供完整训练数据；使用 Zero123++ 生成多视图、LRM/Instant3D 架构训练 sparse-view reconstruction。	GSO 300 objects；OmniObject3D 28 common categories 共约 130 objects。	每物体 orbit 21 views；Omni3D 额外随机选 16 benchmark views。	PSNR、SSIM、LPIPS、CD、F-score。	代码公开数据集公开object split/渲染细节需复现	提供单图 baseline 的严谨评测模板：GSO + OmniObject3D、orbit views、image + geometry 双指标。
Unique3D (2024)	单图输入，生成 4 个正交 RGB/normal views。	直接 mesh；ISOMER mesh reconstruction。	Objaverse 子集训练 multi-view diffusion 和 normal diffusion；四正交视图 + 法线 + coarse-to-fine mesh 优化。	GSO 随机 30 objects。	输入 frontal view；评估为多 elevation、360-degree azimuth renders。	PSNR、SSIM、LPIPS、CLIP-Sim、CD、Volume IoU、F-score；另有用户研究。	代码公开GSO 公开30 objects/views 未完全标准化公开	正交视图转换路线的代表。对我们的 GPT 正交化分支有参考，但它本身不是任意非正交输入重建。
CRM (2024)	单图输入，扩展为 6 个正交/环绕视图。	textured mesh。	多视图 diffusion + convolutional reconstruction model；依赖六视图空间对齐。	GSO 随机 30 shapes，GSO 不在训练集内。	输入单图；纹理评估渲染 24 images，3 个 elevation、每个 elevation 8 azimuth。	CD、Volume IoU、F-score；PSNR、SSIM、LPIPS、CLIP-Sim。	代码公开GSO 公开评测 split 需复现	说明正交视图 pipeline 很依赖视图对齐；非正交输入如果直接塞进去会出现空间假设不匹配。
TripoSR (2024)	单图输入。	mesh from implicit representation。	大规模 3D 数据训练 feed-forward reconstruction；论文更强调速度和几何指标。	GSO + OmniObject3D，各约 300 manually filtered objects。	主要报告 3D shape metrics；视角协议和 object ids 不完全公开。	CD、F-score@0.1/0.2/0.5；10K surface samples。	代码/权重公开数据集公开exact split 待复现	适合作为快速单图几何 baseline，不适合作为多非正交输入主方法。
SF3D (2024/2025)	单图输入；显式输出 UV-unwrapped textured mesh、材质参数和 normal map。	低面数 textured mesh / GLB。	基于 TripoSR，先做 NeRF 预训练，再切到 differentiable mesh rendering；训练损失包含 MSE、LPIPS、mask、mesh regularization 和 shading regularization。	GSO 278 个随机 scenes；OmniObject3D 308 个 scenes。	每物体渲染 16 views，选择 frontal view 作为 conditioning view；预测 mesh 与 GT 统一 normalize、旋转 brute-force alignment、ICP 后评估。	CD、F-score@0.1/0.2/0.5、runtime；supplement 中有 indicative rendering metrics。	代码公开模型 gated HFexact random scenes/cameras 未在论文表中完整公开	提供了一个很实用的评价范式：mesh 先对齐再算 CD/F-score，同时报告面片数和耗时。对我们报告 raw/simplified mesh 很有参考价值。
SPAR3D (2025)	单图输入；先生成 sparse point cloud，再由 image + point cloud 输出 mesh。	带 PBR material 的 mesh；支持编辑 point cloud 改 unseen surface。	point diffusion stage + meshing stage；meshing 使用 rendering loss，并估计 geometry、albedo、lighting、normal、metallic/roughness。	GSO + OmniObject3D；跟随 TripoSR 过滤掉简单盒状/柱状物体，每个 eval set 约 250 objects。	渲染多样 azimuth/elevation，随机 HDRI，变化焦距；论文未给 exact object ids 和 camera JSON。	CD、F-score@0.1/0.2/0.5、PSNR、SSIM、LPIPS、runtime；同样做 normalize、rotation search、ICP。	代码公开模型 gated HFexact views 未公开	对本课题的启发是“回归模型守输入可见面，生成/点云先验补不可见面”。多非正交输入可以类比为用真实多视图约束替代 hallucinated point prior。
Hi3DGen (2025)	单图输入；用 normal map 作为 image-to-3D 的中间 bridge。	高细节 geometry mesh。	NiRNE image-to-normal + NoRLD normal-to-geometry；训练数据包括 170K cleaned Objaverse 和 700K synthesized DetailVerse，每个 asset 渲染 40 images。	normal estimator 在 LUCES-MV 上评估；3D 生成主要用 Hyper3D/Hunyuan/Dora project page 图像做视觉比较和 user study。	normal-to-geometry 用 22 个 viewpoints 渲染 normal map 计算 NE/SNE；用户研究采样 3006 generations 中的结果。	NE、SNE；user study；与 Hunyuan3D-2.0、Trellis、CraftsMan、Dora、Clay、Tripo-2.5 对比。	代码公开DetailVerse 承诺/部分状态需持续跟踪exact eval views 不适合作为严格 GT benchmark	训练数据路线非常重要：高细节合成 mesh + normal supervision 能补 Objaverse 的细节稀缺。后续若训练 TRELLIS.2-like 模型，可以优先考虑 normal/depth auxiliary supervision。
TRELLIS (2024/2025)	text/image 到 3D；单图为主，也可通过多图条件改造。	Structured latent，解码为 mesh/3DGS/RF 等。	约 500K 高质量 3D assets：ObjaverseXL Sketchfab/GitHub、ABO、3D-FUTURE、HSSD；150 renders/asset，GPT-4o captions，美学过滤。	Toys4K 为重要 evaluation set；过滤后 3229 assets，重建实验随机 500，生成实验 Toys4K 1250。	重建评估单随机 camera；geometry 通过 100 depth views unproject 点云；生成评估 4 yaw views。	PSNR、LPIPS、CD、F-score、normal-map PSNR/LPIPS、FD/KD/CLIP。	代码公开训练数据配方公开但完整过滤清单未必公开	我们当前实验基础。Toys4K 是它自己用于泛化评估的重要集合，适合纳入本课题 benchmark。
Hunyuan3D-2.0 / Hunyuan3D-MV	单图/多视角生成，部分版本支持多视图控制。	高分辨率 mesh。	大规模 3D 资产和多模态条件训练，公开模型侧重推理。	在 ReconViaGen、UniRecGen 中作为 baseline 出现在 Dora/GSO/Toys4K/OmniObject3D 评估。	跟随各论文 benchmark。	PSNR/SSIM/LPIPS、CD/F-score、Normal/IoU。	模型/代码部分公开训练数据与 exact eval views 不完整	可作为强生成先验 baseline，但公平评估需要固定输入视角和同一渲染器。

评测可复现性矩阵

方法/协议	测试数据是否开源	代码/模型是否开源	评测代码	exact object ids / camera views	本课题处理方式
SF3D	GSO、OmniObject3D 公开	GitHub 公开；模型 gated HuggingFace	官方 repo 主要是 inference/demo，未看到完整 paper eval split	论文给 278/308 数量和 16 views，但未给 exact ids/cameras	借鉴 16-view + alignment + CD/F-score 协议；暂不直接作为主评测。
SPAR3D	GSO、OmniObject3D 公开	GitHub 公开；模型 gated HuggingFace	官方 repo 主要是 inference/demo，论文称所有 baseline 用官方实现	约 250 objects/set，多样视角策略公开，exact ids/cameras 未公开	借鉴多样 azimuth/elevation/HDRI/focal 的测试视角设计。
ReconViaGen	Dora-bench、OmniObject3D 公开/可下载；本地 Dora 已下载	本地已有代码和训练脚本	论文指标明确，本地已复用其 runner 思路	Dora JSON 可解析；Omni 当前下载不完整	已在自建 GSO/Toys4K benchmark 上跑 ReconViaGen 5-case 几何评估。
UniRecGen	GSO、Toys4K 公开，本地均已下载	仓库公开	论文指标充分，但 exact split/camera 文件仍需继续追 repo	报告 2/4/6/8 输入消融，但 exact views 未在论文正文完整列出	本课题已经按 2/4/6/8 非正交输入 + 20 held-out eval 自建协议。
本地 benchmark v0	GSO + Toys4K 均本地可访问	渲染、manifest、eval 脚本在本项目目录	完整可运行	100 objects、全部 camera views 写入 manifest	作为当前主评测集；已完成 4000/4000 GT renders。

本机数据集状态

本节的可追溯统计已写入 local_dataset_stats.json，包括本地路径、大小、对象数量、类别数量、benchmark 采样分布和渲染完成状态。

数据集	路径	规模/状态	类型	GT Mesh	相机/视角	当前用途
GSO / Google Scanned Objects	/data/jiachen/GSO/google_scanned_objects.zip	24G zip；zip 内 1030 个 model.obj。	真实扫描日用品、玩具、鞋、电子产品等。	有 OBJ + texture。	官方 train/test split 有；本课题需自渲染相机	立即用于 50-object GT geometry + held-out render benchmark。
Toys4K	/data/jiachen/Toys4K	20G；mesh mirror 中 106 类、3855 个对象目录、3854 个 mesh 文件；官方 tar 3.6G。	玩具/小物体，类别均衡，适合泛化测试。	有 PLY mesh。	无统一官方相机；需要自渲染	立即用于 50-object GT benchmark；也可复现 TRELLIS/UniRecGen 风格评估。
Dora-bench-256	/home/jiachen/datasets/Dora-bench-256	63G；Level_all.json 共 3202 条，Level1/2/3/4 各约 800 条。	面向 sharp/complex 3D assets 的 benchmark。	需按 JSON 路径核验 mesh 可访问性	benchmark JSON 可用；渲染协议需进一步解析	用于对齐 ReconViaGen 论文评测，但先不作为第一批 100-object 主集。
ProObjaverse-300K / ReconViaGen	/home/jiachen/ReconViaGen/data/ProObjaverse-300K	84G；141181 本地文件；日志接近 19306/19307。	Objaverse 派生训练数据，含 renders_random_env、lh-slats、envs。	主要是训练渲染/latent；不等同完整 GT mesh benchmark	已有随机环境渲染数据	用于训练/微调 ReconViaGen/TRELLIS-style 模块，不作为几何 GT 主评测集。
OmniObject3D-New	/data/jiachen/OmniObject3D-New	364G；下载中断在 OpenXLab/Aliyun 405，约 345/1496 文件。	大规模真实感对象，多类别。	理论有	理论含 benchmark/random views	暂时放一边；完整后可补充 100-300 object benchmark。

数据集多维度对比

数据集	本地大小	数量维度	物体类型	训练价值	评测价值	当前风险
GSO	24G	1030 OBJ meshes；benchmark v0 选 50 个	真实扫描日用品/商品，纹理丰富，形状中等复杂	不建议训练主模型，适合保留 held-out	GT mesh 明确，适合 CD/F-score 和 novel-view render 指标	官方 exact camera split 与很多论文不完全一致，需要自建固定 camera manifest
Toys4K	20G	106 类，约 3855 对象目录；benchmark v0 选 50 个	玩具/小物体，类别覆盖广，许多细长结构	不建议用于训练当前 benchmark 主模型	TRELLIS/UniRecGen/SPAR3D 等论文相关，泛化评估价值高	少数 PLY 对 Blender importer 不友好，已加 trimesh 转 OBJ 兜底
Dora-bench-256	63G	Level_all 约 3202 条，Level1-4 各约 800	复杂/困难 3D assets，适合 stress test	不作为训练集，避免污染 benchmark	ReconViaGen 相关，适合第二阶段困难样本评估	需要继续解析 Level JSON 的 mesh/render/camera 关系，才能严格复现论文协议
ProObjaverse-300K	84G	本地约 14.1 万文件，含 renders_random_env、lh-slats、envs	Objaverse 派生训练渲染与 latent 数据	当前最适合作为多视角非正交模型训练/微调来源	不适合作为几何 GT 主评测，因为当前更像训练数据包	需要整理 object-level index、相机参数、latent 对齐关系后才能大规模训练
OmniObject3D-New	364G partial	当前部分下载；完整规模待恢复下载后确认	真实感多类别对象，很多论文使用或引用	完整后可作为训练/评测补充	可对齐 InstantMesh/TripoSR/SF3D/SPAR3D 等论文	下载被 OpenXLab/Aliyun 405 中断；按你的要求当前先放一边

当前已准备的评测集

对象选择

固定 seed 20260716，从 GSO 随机选 50 个、从 Toys4K 随机选 50 个，共 100 个对象。

下载 benchmark_manifest_v0.json

输入视角协议

每个对象生成 2、4、6、8 四档输入视角。相机是非正交的 turntable-like 随机视角：azimuth 均匀覆盖但有扰动，elevation 在 -18 到 28 度之间随机，FOV 45。

评估视角协议

每个对象 20 个 held-out 非正交视角，独立随机生成。生成 mesh 后统一从这些视角渲染 RGB、normal、mask/depth，再和 GT render 比较。

渲染入口已准备：/home/jiachen/TRELLIS/experiments/nonorthogonal_gpt_orthoview/render_benchmark_views.py。已用 Blender 4.0.2 smoke test 通过 GSO 与 Toys4K 各 1 个对象的 2-view RGB 渲染，输出在 ../data_survey/rendered_benchmark_v0/。为兼容 Blender 4，已给 TRELLIS 官方 renderer 补了 OBJ/PLY importer 的新旧 API 兼容。 512 分辨率全量渲染已在后台启动，PID 记录在 ../data_survey/logs/render_benchmark_v0_512.pid，日志在 ../data_survey/logs/render_benchmark_v0_512.log，当前进度 JSON 为 render_status.json。截至本页最后更新，100/100 个对象完整，4000/4000 帧完成；GSO 50/50 已完整，Toys4K 50/50 已完整。 Toys4K 中少数 PLY 在 Blender 4 importer 下会报 face size 异常，已在渲染脚本里加入 trimesh 读取并缓存为 OBJ 的兜底转换；补跑时脚本自动跳过 99 个已完成对象，只重渲染异常对象 toys4k_015 / chicken_012。

1. GT meshGSO OBJ + Toys4K PLY，统一归一化到单位包围球。

2. Render views按 manifest 渲染 2/4/6/8 输入视角和 20 测试视角。

3. Run methodsTRELLIS、TRELLIS.2、ReconViaGen、GPT orthoview + TRELLIS 分支。

4. EvaluateRGB/normal/depth render metrics + mesh geometry metrics。

5. Report按 dataset、view count、method、mesh simplification 分组展示。

训练数据建议

用途	推荐数据	理由	暂不推荐
快速方法验证 / baseline 对比	GSO + Toys4K 100-object manifest	有 GT mesh，已落盘，能马上做几何与 novel-view 指标。	直接用 ProObjaverse 评估几何，因为它当前更像训练渲染/latent 数据。
微调多视角非正交输入模型	ProObjaverse-300K 的 renders_random_env + lh-slats	与 ReconViaGen/TRELLIS latent 结构接近，训练脚本已在本地。	用 GSO/Toys4K 训练主模型，因为它们更适合保留为 held-out benchmark。
后续扩展评估	OmniObject3D-New 完整下载后加入	InstantMesh/TripoSR/ReconViaGen 都用它或类似协议，利于和论文对齐。	现在依赖它出结论，因为当前下载不完整且有 405 阻断。
困难样本评估	Dora-bench-256	ReconViaGen 使用 Dora-bench 证明 sparse-view 重建性能；可作为第二阶段 benchmark。	未解析 JSON 前直接混入主评测，会降低协议清晰度。

我给本课题准备的数据划分

用途	数据来源	规模	视角设置	文件入口	为什么这样安排
主评测集 v0	GSO 50 + Toys4K 50	100 objects；4000 GT renders	输入为 2/4/6/8 张随机非正交视角；测试为每物体 20 张 held-out 非正交视角	benchmark_manifest_v0.json · render_status.json	有 GT mesh、可公开复现、和近期论文常用数据集重叠，避免依赖未公开 exact views。
训练/微调候选集	ProObjaverse-300K / ReconViaGen 数据	84G 本地数据，含多视角渲染和 latent	使用现有 renders_random_env 作为非正交输入来源，lh-slats/envs 作为 TRELLIS-style supervision	/home/jiachen/ReconViaGen/data/ProObjaverse-300K	和 TRELLIS/ReconViaGen latent 体系最近，训练成本最低；GSO/Toys4K 保留做测试，避免数据泄漏。
第二阶段困难评测	Dora-bench-256	Level_all 约 3202 条	待解析官方 JSON 后按 2/4/6/8 输入和 20 测试视角适配	/home/jiachen/datasets/Dora-bench-256	贴近 ReconViaGen 论文设置，适合检查方法在复杂形状上的上限和失败模式。

下一步可执行实验

继续扩展方法评测：当前已完成 GSO 上 TRELLIS/TRELLIS.2/ReconViaGen 小规模对比，以及 Toys4K 上 TRELLIS 2-view/4-view 对比。
对新增方法结果继续保存 raw mesh、1/3 simplified mesh、20-view render、指标 JSON，保证每个数字都能追溯到文件。
全量 100-object 渲染完成后，把 10-object smoke 扩到 100-object 主表，并按 dataset、view count、method、simplified/raw 分组报告。
优先补 TRELLIS.2 和 ReconViaGen 在 Toys4K 上的 protocol-2/4 结果，检查多视角收益是否跨方法一致。

已遇到的问题与解决

问题	影响	解决方法	验证结果
Toys4K 少数 PLY 在 Blender 4 importer 中失败	toys4k_015 / chicken_012 五组视角初次只写出日志，没有 PNG。	在 render_benchmark_views.py 里增加 trimesh 兜底：先读取 PLY，再导出为缓存 OBJ，交给 Blender 渲染。	用 conda run -n trellis 补跑后，该对象 2/4/6/8/eval 全部成功；最终 render_status.json 为 100/100、4000/4000。
Blender 4 导入 API 与旧 TRELLIS renderer 不兼容	官方脚本里旧的 OBJ/PLY import operator 在新版 Blender 下不可用。	给 dataset_toolkits/blender_script/render.py 增加新旧 API fallback：优先使用 bpy.ops.wm.obj_import/ply_import，失败再回退旧 API。	GSO 50 个和 Toys4K 50 个对象全部 512 分辨率渲染完成。

现有方法接入状态

环节	当前状态	文件
benchmark -> method manifest	已支持把 rendered benchmark 转成原 ProObjaverse runner 兼容的 prepared_cases.json 格式，可按 2/4/6/8 输入视角分别导出。	build_benchmark_method_manifest.py ../data_survey/method_manifests/prepared_cases_protocol2_limit1.json
TRELLIS smoke	已在 GSO 第 1 个对象、2 个非正交输入视角上跑通，成功导出 raw OBJ mesh。	../data_survey/method_smoke/trellis_protocol2_limit1/gso_000_input2/mesh_raw.obj
geometry eval smoke	已对 TRELLIS smoke mesh 与 GT mesh 计算 20k 表面采样 Chamfer/F-score。该 case 的 Chamfer mean 为 0.1478，F-score@10% bbox 为 0.2526。这个数只用于验证链路，不代表最终平均性能。	geometry_eval.json
GSO protocol-2 小规模实测	已完成 TRELLIS 10 cases、TRELLIS.2 5 cases、ReconViaGen 5 cases。三方法同前 5 个 GSO case 对比：TRELLIS Chamfer 0.0760 / F@10 0.6811 / 69.8 万 faces；TRELLIS.2 Chamfer 0.0629 / F@10 0.7754 / 210.1 万 faces；ReconViaGen Chamfer 0.0623 / F@10 0.7999 / 92.9 万 faces。	three-method comparison
TRELLIS 2-view vs 4-view	同 10 个 GSO case 上，4 个非正交输入视角明显优于 2 个输入视角：Chamfer 从 0.0842 降到 0.0662，F@10 从 0.6685 升到 0.7350，平均面片数从 50.95 万降到 38.32 万。	2v4 comparison
1/3 simplified mesh	已对 TRELLIS.2 和 ReconViaGen 的 raw mesh 做 1/3 faces 简化并重算几何指标。TRELLIS.2 简化后平均 faces 从 210.1 万降到 70.0 万，F@10 基本不变 0.7754；ReconViaGen 简化后从 92.9 万降到 31.0 万，F@10 基本不变 0.7993。	TRELLIS.2 simplified · ReconViaGen simplified
Toys4K protocol-2 小规模实测	已完成 TRELLIS 10 cases。平均 Chamfer 0.0442、F@10 0.8554、平均 faces 26.4 万；中位 Chamfer 0.0209、F@10 0.9971，说明大多数 case 很好，均值主要被少数困难对象拉低。	Toys4K protocol-2 aggregate
Toys4K 2-view vs 4-view	同 10 个 Toys4K case 上，4 个非正交输入视角显著优于 2 个输入视角：Chamfer 从 0.0442 降到 0.0208，F@10 从 0.8554 升到 0.9631，平均面片数只从 26.4 万小幅升到 27.2 万。	Toys4K 2v4 comparison

方法	对象/输入	Chamfer mean↓	F-score@5%↑	F-score@10%↑	平均面片数	结果文件
TRELLIS	GSO 前 5，2 非正交视角	0.0760	0.5194	0.6811	698,317	comparison
TRELLIS.2	同前 5，2 非正交视角	0.0629	0.5495	0.7754	2,101,288	comparison
ReconViaGen	同前 5，2 非正交视角	0.0623	0.5156	0.7999	928,658	comparison
TRELLIS	GSO 前 10，4 非正交视角	0.0662	0.5308	0.7350	383,213	aggregate
TRELLIS	Toys4K 前 10，2 非正交视角	0.0442	0.7590	0.8554	264,050	aggregate
TRELLIS	Toys4K 前 10，4 非正交视角	0.0208	0.9052	0.9631	271,909	aggregate
TRELLIS.2 simplified 1/3	GSO 前 5，2 非正交视角	0.0628	0.5489	0.7755	700,428	aggregate
ReconViaGen simplified 1/3	GSO 前 5，2 非正交视角	0.0622	0.5163	0.7993	309,552	aggregate

若干非正交视角生成 3D Mesh：数据与评测调研