Mar, 2024

PreSight：在城市尺度上利用 NeRF 先验增强自主车辆感知

PDF
TL;DR基于人类的认知方式，我们引入了一种名为 Pre-Sight 的新框架，通过过往的行程生成静态的先验记忆来增强后续导航的实时感知，优化了城市规模的神经辐射场，生成富有语义和几何细节的神经先验。在自动驾驶系统中，该框架展现出了显著的 HD 地图构建和占有率预测性能的改进，具备成为新型感知框架的潜力。
autonomous vehiclesperception systemspre-sightneural priorsautonomous driving systems
发现论文，激发创造
  • S-NeRF：街景的神经辐射场

    本文提出了一种新的街景神经辐射场模型（S-NeRF），它考虑了大规模背景场景和前景移动车辆的新视角合成，通过改进场景参数化函数和学习更好的神经表示来应对现有 NeRF 模型在街景合成中出现的问题，并使用嘈杂和稀疏的 LiDAR 点来提高训练的鲁棒性和减少深度奇异值出现的情况。我们的 S-NeRF 模型在各种大规模驾驶数据集上的实验证明了它优于现有最先进方法在街景合成中减少了 7％至 40％的均方误差，并在移动车辆渲染的 PSNR 方面获得了 45％的增益。

    Mar, 2023

  • 多层级神经场景图用于动态城市环境

    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

  • DiL-NeRF：透视街景中的激光雷达神经辐射场探究

    利用 Lidar 数据改善街景下基于神经辐射场的光线追踪和视图合成技术。

    May, 2024

  • S-NeRF++：基于神经重建和生成的自动驾驶仿真

    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

  • 自动驾驶中的神经辐射场：一次综述

    该论文提供了第一份有关神经辐射字段（NeRF）在自动驾驶领域应用的综合调查报告，并对感知、三维重建、同时定位和地图构建以及模拟等应用领域进行了深入分析和总结，并对未来研究方向进行了讨论。

    Apr, 2024

  • 基于神经渲染的自动驾驶城市场景重建

    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

  • 众包 NeRF：从生产车辆中收集数据进行 3D 街景重建

    借助大规模众包数据的神经光辐射场（NeRF）重建框架，解决了大规模重建中的数据获取问题，并利用这些数据训练 NeRF 模型生成高质量的 3D 场景。

    Jun, 2024

  • SiLVR: 大规模激光雷达视觉重建与神经辐射场用于机器人检测

    本研究提出了一种基于神经场的大规模重建系统，它利用激光雷达和视觉数据生成几何精确且具有照片级真实纹理的高质量重建，同时使用激光雷达 SLAM 系统提供深度和表面法线的强几何约束来改进传统的神经辐射场表示方法。

    Mar, 2024

  • 自主驾驶的大规模神经场景渲染

    本文提出一种大规模神经渲染方法来合成自主驾驶场景 (READ)，通过各种采样方案，可以在 PC 上合成大规模驾驶场景。我们提出一个 ω 渲染网络来表示驾驶场景，该网络从稀疏点云中学习神经描述符。实验表明，我们的模型在大规模驾驶场景中表现良好，并可以缝合和编辑驾驶场景。

    May, 2022

  • 闪电 NeRF：高效的自动驾驶混合场景表示

    通过在自动驾驶场景中使用来自 LiDAR 的几何先验知识，Lightning NeRF 显著提高了 NeRF 的新视图合成性能，减少了计算开销，并在真实世界数据集上的评估中取得了显著的性能提升。

    Mar, 2024