DrivingGaussian是一个高效而有效的框架,用于重建自主驾驶场景中的动态环境,通过顺序和渐进地建模静态背景,并利用动态高斯图来处理多个移动物体,在场景中恢复每个物体的准确位置和遮挡关系。使用LiDAR和高斯喷洒方法进行重建,该方法在驾驶场景重建中优于现有的方法,实现了高逼真度和多相机一致性的全景合成。
Dec, 2023
使用3D高斯喷洒法重构动态场景,通过可调整的多层感知器(MLP)模型将场景的动态部分与静态部分分离,引入自适应窗口采样策略和自监督一致性损失来实现场景的时域一致性和高质量的可视化,达到了与竞争性能的动态场景高品质实时渲染。
用新颖的方法结合扩散模型和多模态数据以提高三维高斯飞溅对未见视角的渲染效果,有效增强了自动驾驶模拟中街景的新视角合成技术。
Mar, 2024
本文提出了一种3D几何感知可变形高斯喷洒方法,用于动态视图合成。我们的解决方案通过显式提取和融合3D几何特征来实现3D几何感知的变形建模,从而实现改进的动态视图合成和3D动态重建。
Apr, 2024
基于2D高斯点云散离(2DGS)的RoGS方法通过显式地表示道路的几何形状,以及使用基于轨迹的初始化方法,实现了在提升重建质量的同时大幅加速道路表面重建的目标。
May, 2024
基于最近的实时神经渲染技术3D高斯碎片化,我们提出了DC-Gaussian方法,用于从车载行车记录仪视频中生成新的视角。实验证明,我们的方法在新视角合成方面不仅取得了最先进的性能,还能准确重建捕获的场景,并消除遮挡物。
通过自我监督学习的方法,在不使用3D注释的情况下,我们提出了一种自适应街景高斯方法来分解静态和动态元素并取得最佳性能。
提出了一种名为Superpoint Gaussian Splatting(SP-GS)的新框架,该框架通过使用显式的3D高斯函数来重构场景,并将具有相似属性的高斯函数聚类成超点,从而实现了对动态场景的实时渲染,获得了最新的视觉质量。
Jun, 2024
本研究解决了在自主驾驶模拟中大规模道路场景渲染的真实感和健壮性不足的问题。通过引入跨视角的不确定性,设计了一种新的训练方法,使得航空图像能够有效辅助地面图像较差的合成区域,显著提升道路视图的合成效果。研究成果为增强无人驾驶模拟的视觉质量提供了一种新思路,具有重要的应用价值。
Aug, 2024
本研究解决了现有一般化三维高斯溅射方法在处理大视角变化时的渲染限制,尤其是在自动驾驶情境中,车道切换的图像渲染颇具挑战。本文提出了一种新型的虚拟车道生成模块和扩散损失来改善高质量渲染能力,并优化深度估计,验证结果显示其优于现有方法,具有显著的应用潜力。
Sep, 2024