Datasets:

Andyson
/

wmdata

case_id	场景	action_label
`ps_00_act_demo0_npy_00`	原始 scene 0	`fireball`
`ps_05_act_demo1_npy_05`	原始 scene 1	`fireball`
`ps_10_act_demo2_npy_10`	原始 scene 2	`fireball`
`ps_15_act_demo0_npy_15`	原始 scene 3	`fireball`
`ps_20_act_demo1_npy_20`	原始 scene 4	`fireball`
`ps_25_act_demo2_npy_25`	原始 scene 5	`fireball`

新增 2 条

case_id	场景	switch 前	switch 后
`custom_00_court_present_painting`	欧洲风格宫廷大厅	第一视角在宫廷中行走	掏出画作并双手献上
`custom_01_seaside_jump_swim`	海边面向大海	第一视角在海边散步	跳入水中并向前游泳

目录结构

switch_inference/
  images/                 # 输入图像，共 8 张
  actions/                # 每个 case 一条 camera trajectory，共 8 个 .npy
  prompts/                # 每个 case 一份 prompt JSON，共 8 个
  source_metadata/        # 原始选择、图像生成 prompt、轨迹生成说明和构建摘要
  manifest.jsonl          # 逐行 JSON manifest，推荐程序读取
  manifest.csv            # CSV 版本 manifest，方便人工查看
  dataset_info.json       # 全局信息
  README.md               # 本说明文档

Manifest 字段

manifest.jsonl 每一行对应一个 case：

字段	含义
`case_id`	样本唯一 ID
`image_path`	输入图像路径，相对 `switch_inference/`
`action_path`	相机动作轨迹路径，相对 `switch_inference/`
`prompt_path`	prompt JSON 路径，相对 `switch_inference/`
`action_label`	switch 后动作标签
`switch_frame`	prompt 切换帧，当前为 160
`prompt_before_en` / `prompt_before_zh`	switch 前 prompt
`prompt_after_en` / `prompt_after_zh`	switch 后 prompt

Prompt JSON

prompts/<case_id>.json 包含完整 prompt 和调度信息：

{
  "case_id": "custom_00_court_present_painting",
  "image_path": "images/scene_06_court.png",
  "action_path": "actions/custom_00_court_present_painting_action.npy",
  "action_type": "camera_trajectory",
  "switch_frame": 160,
  "prompt_before": {"en": "...", "zh": "..."},
  "prompt_after": {"en": "...", "zh": "..."},
  "prompt_schedule": [
    {"frame_start": 0, "frame_end": 159, "prompt_key": "prompt_before"},
    {"frame_start": 160, "frame_end": 319, "prompt_key": "prompt_after"}
  ]
}

Action 文件

actions/*.npy 是程序生成的第一视角相机轨迹：

dtype: float32
shape: [321, 4, 4]
含义：每帧相机位姿矩阵；321 个 pose 对应 320 帧生成视频加初始 pose。
原始 6 条：保留源数据对应的 camera trajectory。
宫廷样本：前半段平稳向前行走，后半段放慢并轻微俯视/前倾，模拟取出并献上画作。
海边样本：前半段向海边行走，后半段向前入水、下沉到近水面高度并带轻微游泳摆动。

数据本身不绑定 fps；如果推理配置使用 16 fps，则 320 帧约为 20 秒，switch_frame=160 对应约第 10 秒。

数据规模

case 数量：8（原始 6 条 + 新增 2 条）
输入图像：8
图像尺寸：1280 x 704
每条目标帧数：320
switch frame：160
视角：first-person POV