EMIE-MAP: Large-Scale Road Surface Reconstruction Based on Explicit Mesh and Implicit Encoding

道路表面重建在自动驾驶系统中扮演着至关重要的角色，能够实现道路车道感知和高精度地图绘制。最近，神经隐式编码在场景表示方面取得了显着的成果，特别是在场景纹理的逼真渲染方面。然而，它在直接表示大规模场景的几何信息方面面临挑战。为了解决这个问题，我们提出了一种新的基于显式网格和隐式编码的大规模道路表面重建方法EMIE-MAP。道路几何形状使用显式网格表示，其中每个顶点存储表示颜色和语义信息的隐式编码。为了克服优化道路高程的困难，我们引入了基于轨迹的高程初始化和基于多层感知器（MLP）的高程残差学习方法。此外，通过采用隐式编码和多摄像头颜色MLP解码，我们实现了场景物理特性和摄像头特性的分离建模，允许与不同摄像头模型兼容的全景重建。我们的方法在各种真实世界的挑战性场景中实现了显着的道路表面重建性能。

本论文旨在解决自动驾驶系统中道路表面重建的问题，以实现道路车道感知和高精度地图绘制。同时，论文还试图解决神经隐式编码在大规模场景中直接表达几何信息的挑战。

论文提出了一种新的方法EMIE-MAP，基于显式网格和隐式编码，用显式网格表示道路几何形状，其中每个顶点存储表示颜色和语义信息的隐式编码。为了克服道路高程优化的困难，论文引入了基于轨迹的高程初始化和基于多层感知器（MLP）的高程残差学习方法。此外，通过使用隐式编码和多摄像机颜色MLP解码，实现了场景物理属性和相机特性的分离建模，使环视重建与不同相机模型兼容。

论文的亮点包括：在各种真实世界的挑战性场景中实现了卓越的道路表面重建性能；提出了基于显式网格和隐式编码的新方法EMIE-MAP；使用轨迹初始化和高程残差学习方法解决了道路高程优化的困难；实现了场景物理属性和相机特性的分离建模，使环视重建与不同相机模型兼容。

在这个领域中，最近还有一些相关的研究，例如：《End-to-end Learning of Driving Models from Large-scale Video Datasets》、《RoadNet: Learning to Comprehensively Analyze Road Networks in Complex Urban Scenes from High-Resolution Remotely Sensed Images》等。