DrivingGaussian: Composite Gaussian Splatting for Surrounding Dynamic Autonomous Driving Scenes

我们提出了DrivingGaussian，这是一个高效且有效的框架，用于环绕动态自动驾驶场景。对于具有移动物体的复杂场景，我们首先使用增量静态3D高斯模型顺序和逐步地建模整个场景的静态背景。然后，我们利用组合动态高斯图来处理多个移动物体，分别重建每个物体，并在场景中恢复它们的准确位置和遮挡关系。我们进一步使用LiDAR先验进行高斯喷洒，以重建具有更多细节的场景并保持全景一致性。DrivingGaussian在驾驶场景重建方面优于现有方法，并能够以高保真度和多摄像机一致性进行逼真的环绕视图合成。源代码和训练模型将会发布。

DrivingGaussian试图解决自动驾驶场景中的环境重建问题，包括静态背景和动态物体的重建，并且提供高保真度和多相机一致性的全景合成。

DrivingGaussian的关键思路是使用增量静态3D高斯模型来逐步模拟整个场景的静态背景，然后利用组合动态高斯图来处理多个移动物体，分别重建每个物体并恢复它们在场景中的准确位置和遮挡关系。同时，使用LiDAR先验进行高斯喷洒，以重建更多细节并保持全景一致性。

DrivingGaussian在场景重建和全景合成方面优于现有方法，实现了高保真度和多相机一致性。论文将发布源代码和训练模型。

近期在这个领域中，还有一些相关的研究，例如'3D-LiDAR Point Cloud Processing for Autonomous Driving: A Review'和'Survey of Deep Learning Techniques for Autonomous Driving: A Review'等。