面向无激光雷达的城市场景稠密深度正则化：D$^2$GS 方法
计算机视觉与模式识别
2025-11-04 v2
摘要
最近，高斯光束(GS)在自动驾驶领域显示出巨大的潜力用于城市场景重建。然而，当前的城市场景重建方法通常依赖于多模态传感器输入，即激光雷达和图像。虽然激光雷达点云提供的几何先验可以很大程度上缓解重建的欠定性问题，但获取准确的激光雷达数据仍然具有挑战性：i) 需要激光雷达与其他传感器进行精确的时空标定，因为它们可能不同时捕获数据；ii) 当激光雷达和摄像机安装在不同位置时，存在重投影误差。为避免获取准确激光雷达深度数据，我们提出了 DGS，一个无激光雷达的城市场景重建框架。在本工作中，我们获得了与激光雷达相当且更稠密、更准确的几何先验。**首先**，我们通过反投影多视角度量深度预测初始化稠密点云。该点云随后通过渐进剪枝策略进行优化，以提高全局一致性。**其次**，我们通过 Depth Enhancer 联合优化高斯几何和预测的稠密度量深度。具体而言，我们利用来自深度基础模型的扩散先验来增强由高斯渲染的深度图。反过来，增强后的深度提供了更强的几何约束用于高斯训练。**最后**，我们通过约束道路区域内高斯的形状和法线属性来提高地面几何的准确性。广泛的实验在 Waymo 数据集上表明，我们的方法始终优于最先进的方法，即使与使用真实激光雷达数据的方法相比较，也能产生更准确的几何。
引用
@article{arxiv.2510.25173,
title = {D$^2$GS: Dense Depth Regularization for LiDAR-free Urban Scene Reconstruction},
author = {Kejing Xia and Jidong Jia and Ke Jin and Yucai Bai and Li Sun and Dacheng Tao and Youjian Zhang},
journal= {arXiv preprint arXiv:2510.25173},
year = {2025}
}