基于组合神经场的动态LiDAR重模拟
计算机视觉与模式识别
2024-04-04 v2
摘要
我们提出了DyNFL，一种新颖的基于神经场的方法，用于动态驾驶场景中LiDAR扫描的高保真重模拟。DyNFL处理来自动态环境的LiDAR测量，并附有移动物体的边界框，以构建一个可编辑的神经场。该场由分别重建的静态背景和动态物体组成，允许用户修改视角、调整物体位置，并在重模拟场景中无缝添加或移除物体。我们方法的一个关键创新是神经场组合技术，该技术通过射线丢弃测试有效整合来自不同场景的重建神经资产，考虑了遮挡和透明表面。我们在合成和真实环境中的评估表明，DyNFL显著改善了动态场景LiDAR模拟，提供了物理保真度和灵活编辑能力的结合。
引用
@article{arxiv.2312.05247,
title = {Dynamic LiDAR Re-simulation using Compositional Neural Fields},
author = {Hanfeng Wu and Xingxing Zuo and Stefan Leutenegger and Or Litany and Konrad Schindler and Shengyu Huang},
journal= {arXiv preprint arXiv:2312.05247},
year = {2024}
}
备注
Project page: https://shengyuh.github.io/dynfl