网盘分享：夸克网盘

官方下载地址：https://google.github.io/realestate10k/download.html

数据压缩包直链：https://storage.cloud.google.com/realestate10k-public-files/RealEstate10K.tar.gz（约 720MB）

一、RealEstate10K 数据集是什么

RealEstate10K 是 Google 发布的一个大规模相机轨迹（camera trajectory）数据集，专门用于三维视觉、视图合成（view synthesis）等方向的研究。它并不直接提供视频或图像本身,而是提供从视频中解算出来的相机姿态数据。

数据集的核心规模：

• 来源于约 10,000 个 YouTube 视频
• 切分出约 80,000 个视频片段（clip）
• 总计覆盖约 1000 万帧图像对应的相机位姿

这些相机位姿是通过在大量视频上运行 SLAM（同步定位与建图）和光束法平差（bundle adjustment）算法计算得到的，因此数据集的名字中带有 "RealEstate"（房地产），是因为源视频主要是房产中介拍摄的室内外漫游视频，画面平稳、轨迹连续，非常适合用来学习相机运动和三维结构。

该数据集最初是为了配合 Google 2018 年发表于 SIGGRAPH 的论文《Stereo Magnification: Learning View Synthesis Using Multiplane Images》而构建的，该研究探索如何将窄基线立体图像对转换为多平面图像（multiplane image）表示的"迷你光场"。此后 RealEstate10K 被广泛用于新视角合成、神经辐射场（NeRF 相关）、3D 场景理解等课题的训练与评测。

数据集采用 知识共享署名 4.0 国际许可协议（CC BY 4.0） 发布，使用时需要注意遵守协议要求的署名义务。

二、数据组织方式

下载解压后，数据被划分为 train（约 90%）和 test（约 10%）两个子目录，每个视频片段对应一个 .txt 文本文件。文件格式如下：

<视频 URL>
<第1帧数据>
<第2帧数据>
<...>

其中每一行"帧数据"包含 19 列数值，具体含义为：

需要特别说明的是，相机内参使用的是分辨率无关的归一化图像坐标系——图像左上角为 (0,0)，右下角为 (1,1)。这样设计的好处是：无论帧图像被缩放到多大分辨率，都可以按图像的实际宽高对内参矩阵重新缩放后使用，非常方便训练时做数据增强或多分辨率处理。

将内参展开为 3×3 矩阵 K，外参展开为 3×4 矩阵 P = [R | t]，两者相乘得到的矩阵 KP 即可将世界坐标系下的三维点投影到二维图像坐标。

三、需要自行准备的部分

RealEstate10K 官方只提供相机位姿的文本标注，不提供视频本身。也就是说，如果要拿这个数据集训练模型，你还需要：

1. 根据每个 .txt 文件第一行给出的视频 URL，自行下载对应的 YouTube 视频；
2. 按照文件中记录的时间戳，从视频中抽取对应帧；
3. 结合每帧的内外参，组织成训练所需的样本（例如论文中的做法：每个片段采样三帧，两帧用于预测模型、一帧作为视图合成的监督真值）。

由于原始视频来自 YouTube，部分视频可能因版权、下架等原因失效，实际可用数据量会略少于标注文件的总数，这一点在使用前需要有心理准备。GitHub 上已经有社区维护的下载/抽帧脚本，可以配合官方标注文件使用，减少重复造轮子的工作量。

四、下载步骤

1. 打开官方下载页面：https://google.github.io/realestate10k/download.html
2. 点击页面上的 RealEstate10K.tgz 链接，或直接使用直链地址下载压缩包（约 720MB）；
3. 下载完成后解压，会得到 train 和 test 两个目录，里面是海量的 .txt 标注文件；
4. 根据第三部分说明，编写脚本批量下载 YouTube 视频并抽帧，构建可用于训练的数据集。

五、适用场景

• 新视角合成（Novel View Synthesis）
• 多平面图像 / 神经辐射场（NeRF 系列）相关研究
• 相机位姿估计、视觉 SLAM 算法评测
• 三维场景重建与深度估计的辅助训练数据

参考来源：RealEstate10K 官方网站（google.github.io/realestate10k）