RoGS: Large Scale Road Surface Reconstruction based on 2D Gaussian Splatting

道路表面重建在自动驾驶中起着至关重要的作用，可用于道路车道感知和自动标注任务。最近，基于网格的道路表面重建算法展示了有前途的重建结果。然而，这些基于网格的方法速度较慢且渲染质量较差。相比之下，3D高斯点插值（3DGS）表现出更快的渲染速度和更好的渲染质量。虽然3DGS采用显式高斯球来表示场景，但它缺乏直接表示场景几何信息的能力。为了解决这个限制，我们提出了一种新的基于2D高斯点插值（2DGS）的大规模道路表面重建方法，名为RoGS。道路的几何形状使用2D高斯曲面显式表示，其中每个曲面存储颜色、语义和几何信息。与高斯球不同，高斯曲面更接近道路的物理实际情况。与以往依赖于点云的高斯球初始化方法不同，我们引入了基于轨迹的高斯曲面初始化。由于高斯曲面的显式表示和良好的初始化，我们的方法在提高重建质量的同时实现了显著的加速。我们在各种具有挑战性的实际场景中实现了道路表面重建的优异结果。

该论文旨在解决自动驾驶中道路表面重建的问题，提出了一种新的基于二维高斯喷洒的重建方法RoGS。

RoGS使用二维高斯surfels来显式表示道路的几何形状，每个surfels存储颜色、语义和几何信息。相比于高斯球体，高斯surfels更符合道路的物理现实。RoGS采用基于轨迹的初始化方法，实现了重建速度的显著提升。

论文使用了大规模的真实世界场景数据集进行实验，并且开源了代码。RoGS在重建道路表面方面取得了出色的结果，具有很高的实用价值。

近年来，道路表面重建方面的研究还有基于深度学习的方法如DeepRoadMapper和Mask-RCNN。