Neural LiDAR Fields for Novel View Synthesis

解决问题：该论文旨在通过结合神经场和光达传感器的物理模型，优化光达场景表示，从而实现在新视角下合成逼真的光达扫描图像。该论文的目标是解决光达新视角合成的问题，这是一个相对较新的问题。

关键思路：该论文的关键思路是结合神经场和光达传感器的物理模型，优化光达场景表示，以实现从新视角下合成逼真的光达扫描图像。相比当前这个领域的研究状况，该论文的思路具有创新性，因为它结合了神经场和光达传感器的物理模型，从而实现更准确的光达扫描图像合成。

其他亮点：该论文的实验使用了合成和真实的光达扫描图像，并表明它在光达新视角合成任务上优于其他NeRF-style方法和显式重建-仿真方法。此外，该论文表明，合成视角的逼真性将域间差距缩小到真实扫描，并转化为更好的注册和语义分割性能。该论文的工作值得进一步深入研究。

关于作者：该论文的主要作者是Shengyu Huang、Zan Gojcic、Zian Wang、Francis Williams、Yoni Kasten、Sanja Fidler和Konrad Schindler。他们分别来自多个机构，包括多伦多大学、苏黎世联邦理工学院等。他们之前的代表作包括：“Unsupervised Learning of Depth and Ego-Motion from Video”、“Learning Monocular 3D Object Detection via Multi-View Disentanglement”等。

相关研究：近期其他相关的研究包括：“Multi-View 3D Object Detection Network for Autonomous Driving”（作者：Xinshuo Weng、Fangyi Zhang、Yunze Man等，机构：加州大学伯克利分校）和“Deep Reinforcement Learning for LiDAR-based Robotic Grasping”（作者：Yanbin Liu、Yifan Zhang、Shuang Li等，机构：中国科学技术大学）。

论文摘要：本文提出了一种名为“LiDAR神经场”的方法（Neural Fields for LiDAR, NFL），旨在从LiDAR测量数据中优化神经场场景表示，以合成从新视角观察的真实LiDAR扫描图像。NFL结合了神经场的渲染能力和详细的、物理上有意义的LiDAR感应过程模型，因此能够准确地再现关键传感器行为，如光束发散、次级回波和光线丢失。我们在合成和真实的LiDAR扫描数据上评估了NFL，并表明它在LiDAR新视角合成任务中优于显式重建-模拟方法以及其他NeRF风格的方法。此外，我们还表明，合成视图的提高逼真程度缩小了与真实扫描之间的领域差距，并转化为更好的配准和语义分割性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除