DriveSplat：面向动态驾驶场景的统一神经高斯重建
计算机视觉与模式识别
2026-03-20 v4
摘要
重建大规模动态驾驶场景仍然具有挑战性，因为静态环境（具有极端的深度变化）与表现出复杂运动的多样化动态参与者共存。现有的基于高斯泼溅的方法主要关注有限规模或以物体为中心的场景，其在大规模动态驾驶场景中的适用性尚未得到充分探索，尤其是在存在极端尺度变化和非刚性运动的情况下。在这项工作中，我们提出了 DriveSplat，一个统一的神经高斯框架，用于在统一的高斯表示中重建动态驾驶场景。对于静态背景，我们引入了一种场景感知的可学习细节层次 (Level-of-Detail, LOD) 建模策略，该策略明确考虑了驾驶环境中的近、中、远深度范围，从而实现了自适应的多尺度高斯分配。对于动态参与者，我们使用以物体为中心的神经高斯基元公式，通过全局刚性变换建模运动，并通过两阶段变形处理非刚动力学，该变形首先调整锚点，随后更新高斯。为了进一步正则化优化过程，我们引入了来自预训练模型的密集深度和表面法线先验作为辅助监督。在 Waymo 和 KITTI 基准上的大量实验表明，DriveSplat 在新视角合成方面达到了最先进的性能，同时生成了时间稳定且几何一致的动态驾驶场景重建。项目页面：https://physwm.github.io/drivesplat。
引用
@article{arxiv.2508.15376,
title = {DriveSplat: Unified Neural Gaussian Reconstruction for Dynamic Driving Scenes},
author = {Cong Wang and Ruiqi Song and Wei Tian and Chenming Zhang and Lingxi Li and Long Chen},
journal= {arXiv preprint arXiv:2508.15376},
year = {2026}
}