# 两条损坏记录的图像补充包

已为两条轨迹的全部保存状态重新渲染 256×256 RGB 图像，分别 381 帧和 499 帧，共 880 帧。
这不新增人工示范，不修改原始动作、状态、success 标记或论文统计。

## 文件用途

- `recovery_*.npz`（无 `.images` 后缀）：此前从损坏文件中恢复的 17 个完整 NPY 成员，原始成员字节和 CRC 已验证。
- `recovery_*.images.npz`：本次仿真重渲染的独立伴随文件。`camera_images[i]` 对应同名轨迹的 `states[camera_state_indices[i]]`，`state_times[i]` 是该状态保存的仿真时间。图像数等于状态数，比动作数多 1。
- `*.images.json`：来源 SHA256、渲染器版本、相机设置、几何体显示组、状态恢复和位姿校验结果。
- `*_prefix.npy`：从损坏压缩流中读出的完整原始帧前缀，分别 1/97 帧和 112/126 帧。完整图像成员缺失，无法校验其整体 CRC，因此这些前缀仅作为原始残存数据保存。
- `validation.json`：两条记录的完整性与对齐校验；`preview.jpg`：每条轨迹的 5 个采样帧。
- `render_recovery_state_images.py`、`threading.yaml`：生成脚本及任务配置快照；需在仓库及其锁定依赖环境中运行。

## 来源和使用边界

重渲染使用 MuJoCo 2.3.2 / robosuite 1.4.1、Panda、Threading_D0 和 agentview。
逐帧恢复保存的仿真状态并执行 forward，不重新积分动作，不使用生成式图像模型。
880 个状态恢复后数值逐项完全一致；末端、needle、tripod 的 forward 位置与文件内观测最大差异为 0.299 毫米以下。
这只是状态与图像对齐校验，不等于动作重放或策略实验复现。

旧图像的相机视角、机器人外观和裁剪时间偏移不能由现有材料完全确认。
因此新图像整段保持同一渲染配置，明确标记为 `state_rerender`，没有拼接到旧相机序列。
它们不是被找回的原始相机像素，不应作为无变化的原始图像数据使用。
如果用作视觉训练，应显式选择这些伴随文件并记录重渲染来源，不能沿用旧图像的每四步采样索引。

本补充包随 v1.1.0 数据发布，SHA256SUMS 包含它的校验和。五个核心归档的数值内容不因图像补充而改变。

## 读取示例

```python
import numpy as np
name = "recovery_threading_collision_eef_object_D1_0027"
with np.load(name + ".npz") as trajectory, np.load(name + ".images.npz") as images:
    frame = images["camera_images"][20]
    state_index = int(images["camera_state_indices"][20])
    state = trajectory["states"][state_index]
```

## 重新生成

在已安装 RecoverBench 及锁定子模块的 Python 3.10 环境中，从仓库根目录执行：

```text
python -m scripts.render_recovery_state_images <恢复后的轨迹.npz> <新的伴随文件.images.npz> --seed-dataset <threading_d0_prepared.hdf5> --task-config error_benchmark/configs/tasks/threading.yaml
```

脚本拒绝覆盖已有输出。Windows 使用 GLFW。需要提供原始 Threading seed HDF5 的环境元数据。