我们提出了一种逼真的实时小说视角综合（NVS）大场景的新方法，通过将中等质量的脚手架网格作为输入，学习神经纹理场和着色器以增强逼真感，同时使用标准图形管道进行实时渲染，我们的方法在大型自动驾驶和无人机场景中提供至少 30 倍更快的渲染速度与可比或更好的逼真度，我们的工作是首次实现大型真实世界场景的实时渲染。

Nov, 2023

利用多模态数据结合深度学习模型进行密集三维重建，从而提高自动驾驶中的标注验证、数据扩充、缺失 LiDAR 系统的地面真值注释以及自动标记准确性的应用效果。

Feb, 2024

本文提出增强现实自动驾驶模拟 (AADS) 方法来帮助自动驾驶技术的开发和测试，使用 LiDAR 和相机扫描街道场景并生成高度真实的交通流量以用于场景复原，其兼具虚拟环境灵活性和真实世界的真实性，实现了全方位的自动驾驶系统感知到规划的端到端训练和测试。

Jan, 2019

我们提出了一种适用于动态城市环境的新颖分解辐射场方法，通过多级神经场景图表示来估计大规模动态区域的辐射场，并采用快速复合光线采样和渲染技术进行有效的训练和渲染，通过新的视图合成基准测试，我们证明了该方法在更多方面的性能优于先前的方法。

Mar, 2024

提出了一种基于多尺度体素雕刻和自学习的算法来生成实景的新视角，在无人机等大规模真实环境下表现出色。

Jun, 2023

NeuRAD 是专为动态自动驾驶数据量身定制的强大的新视图合成方法，具有简单的网络设计、广泛的传感器建模和适应多个数据集的能力，并在多个领域取得了最先进的性能。

Nov, 2023

通过三种不同的生成式人工智能方法应用驾驶模拟器中的语义标签图作为创建真实数据集的桥梁，本文比较分析了这些方法的图像质量和感知能力，产生了包括驾驶图像和自动生成的高质量注释的新合成数据集，证明了扩散式方法可以提供改进的稳定性和解决 Sim2Real 挑战的替代方法。

Apr, 2024

S-NeRF++ 是一种基于神经重建的创新自动驾驶仿真系统，它能够生成大量具有高渲染质量的逼真街景和前景物体，并具有灵活的操作和模拟能力。通过使用质量较高的仿真数据，我们发现感知方法在几个自动驾驶下游任务上享受了性能提升，进一步证明了我们提出的仿真器的有效性。

Feb, 2024

本文提出一种利用少量激光雷达和摄像机数据生成真实场景传感器数据的方法，使用 SurfelGAN 网络重建逼真的相机图像对自主驾驶车辆和场景中移动物体的新位置和方向进行模拟，并在 Waymo 开放数据集上演示其有效性。

May, 2020

通过隐式渲染技术和生成模型对数据进行生成，我们提出了 OASim，一种自适应的开放式模拟器和自动驾驶数据生成器，具有高质量的场景重建、轨迹编辑、车辆模型库、传感器模型库和可定制的数据生成系统等特点。

Feb, 2024