RoDUS: Robust Decomposition of Static and Dynamic Elements in Urban Scenes

近年来，使用NeRFs将动态物体与静态环境分离的任务已经得到广泛研究。然而，由于复杂的几何结构和无约束的动态，捕捉大规模场景仍然是一个挑战。在没有3D运动线索的情况下，以往的方法通常需要简化的设置，缓慢的相机运动和只有少量/单个动态演员，导致在大多数城市设置中的次优解决方案。为了克服这些限制，我们提出了RoDUS，这是一个用于分解城市场景中静态和动态元素的流水线，其中包括用于移动和非移动组件的精心分离的NeRF模型。我们的方法利用了强大的基于核的初始化和4D语义信息来有选择地引导学习过程。这种策略使得能够准确地捕捉场景中的动态，从而减少了NeRF对背景重建造成的伪影，而且只使用了自我监督。值得注意的是，对KITTI-360和Pandaset数据集的实验评估表明，我们的方法在将具有挑战性的城市场景分解为精确的静态和动态组件方面是有效的。

该论文旨在解决在城市场景中分离动态对象和静态环境的问题，以提高对大规模场景的准确捕捉能力。

RoDUS是一种用于分解城市场景中静态和动态元素的流程，利用鲁棒的基于核的初始化和4D语义信息来有选择地指导学习过程，从而实现对场景动态的准确捕捉。

该方法使用自我监督，能够准确捕捉场景中的动态，减少NeRF对背景重建造成的伪影。实验结果表明，该方法在KITTI-360和Pandaset数据集上的表现良好。

近年来，对使用NeRF在城市场景中分离动态对象和静态环境的方法进行了广泛研究。