- Stanford、Scan-Net、Matterport3Dなどの一般的な屋内データセットは、データベースとクエリの分割は行われていない。 - よりローカリゼーションに特化したデータセットでさえ、比較的狭い屋内空間で撮影されている - 提案するデータセットは、非常にダイナミックで混雑した屋内空間で撮影されており、また営業時間中の撮影のため混雑度が考慮されている。

- 提案したデータセットを用いて，最先端の視覚情報化アルゴリズムのベンチマークを行った．構造ベースの手法は座標点回帰を有意に上回り、一方シーンポイント回帰の方法は性能が低いものとなった。 - 混雑度の分析ではDELG+R2D2を用いた。最も混雑していた地下鉄駅B1では、性能が9%低下していた。それでも構造ベースの手法の性能は非常に高く、約50％の画像が誤差25cmと2◦以内となった。

- ローカライズ用データセットにおいて、限定的な範囲ではなく、地下鉄のフロア全体を網羅するような範囲におけるデータセットを提供したこと。さらに、LIDARのSLAMシステムを工夫していて、高密度で正確なラベル付けがなされている。 - また撮影時間帯を混雑した時間帯も含めて撮影されている点も、実アプリケーションへの適用が考慮されている。