$\textit{S}^3$Gaussian: Self-Supervised Street Gaussians for Autonomous Driving

这篇文章讲述了街景的逼真三维重建技术对于自动驾驶真实世界模拟器的重要性。虽然神经辐射场（NeRF）在驾驶场景中的效果很好，但三维高斯喷洒（3DGS）由于速度更快、表示更明确而成为一个有前途的方向。然而，大多数现有的街道3DGS方法需要跟踪3D车辆边界框以分解静态和动态元素以进行有效的重建，从而限制了它们在野外场景中的应用。为了在不需要昂贵注释的情况下促进高效的三维场景重建，作者提出了一种自监督街道高斯（$\textit{S}^3$Gaussian）方法，以从4D一致性中分解动态和静态元素。作者用3D高斯函数表示每个场景以保留其明确性，并进一步配备了一个时空场网络来紧凑地建模4D动态。作者在具有挑战性的Waymo-Open数据集上进行了广泛的实验，以评估他们方法的有效性。$\textit{S}^3$Gaussian表现出了分解静态和动态场景的能力，并在不使用3D注释的情况下实现了最佳性能。代码可在https://github.com/nnanhuang/S3Gaussian/上获取。

本论文旨在提出一种自我监督的街道高斯方法，以有效地重建静态和动态元素的3D场景，而无需昂贵的注释。

论文提出了一种自我监督的街道高斯方法，使用3D高斯来表示每个场景以保留显性，并结合时空场网络来紧凑地建模4D动态。

论文在具有挑战性的Waymo-Open数据集上进行了广泛的实验，展示了$ extit{S}^3$Gaussian分解静态和动态场景的能力，并在不使用3D注释的情况下取得了最佳性能。代码已经开源。

与此相关的研究包括Neural Radiance Fields（NeRF）和3D Gaussian Splatting（3DGS）等方法。