DHGS: Decoupled Hybrid Gaussian Splatting for Driving Scene

现有的高斯喷洒方法在驾驶场景下很难实现令人满意的新视角合成，这是由于相关元素的设计不够巧妙以及几何约束的缺失。本文介绍了一种新的方法，称为解耦混合高斯喷洒（DHGS），旨在提高驾驶场景下新视角合成的渲染质量。该方法的创新之处在于，为道路和非道路层提供了解耦和混合的像素级混合器，而不是传统的针对整个场景的统一可微渲染逻辑，同时通过所提出的深度排序渲染策略保持一致和连续的叠加。此外，使用由符号距离场（SDF）组成的隐式道路表示来监督具有微妙几何属性的道路表面。伴随着辅助透射损失和一致性损失的使用，最终获得了具有不可察觉边界和提高保真度的新图像。在Waymo数据集上的大量实验证明，DHGS优于现有的最先进方法。

本论文旨在解决现有高斯点插值方法在驾驶场景中无法实现令人满意的新视角合成的问题，主要原因在于相关元素的设计和几何约束缺乏巧妙的设计。同时，该论文还尝试使用隐式道路表示来监督道路表面的微妙几何属性。

该论文提出了一种新的方法，称为Decoupled Hybrid Gaussian Splatting (DHGS)，其关键思路是使用分离的和混合的像素级混合器来处理道路和非道路层，而不是传统的针对整个场景的可微渲染逻辑。此外，该论文还提出了一种深度排序渲染策略，以保持一致和连续的叠加。

该论文的亮点包括使用Signed Distance Field (SDF)来实现隐式道路表示，以及使用辅助透射损失和一致性损失来提高合成图像的质量。通过在Waymo数据集上的实验，证明了DHGS方法优于现有的最先进方法。

在这个领域中，最近的相关研究包括：《PointSplatCN: Fast and Efficient Neural Point Cloud Rendering with Continuous Normalization》、《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》等。