GSRender：基于弱监督 3D 高斯溅射的去重占据预测
计算机视觉与模式识别
2025-12-23 v2 人工智能
摘要
基于视觉的户外环境自动驾驶中，弱监督 3D 占据感知至关重要。基于 NeRF 的先前方法常面临在样本数量上进行权衡的挑战。样本过多会降低效率，而样本过少则会损害准确性，导致平均交并比 (mIoU) 差异达 5-10 个百分点。此外，尽管输入为全景图像，但在任何给定时刻仅从每个视角渲染单张图像。这一限制导致预测重复，这显著影响了方法的实用性。然而，现有研究 largely忽略了这一问题。为解决此问题，我们提出 GSRender，使用 3D 高斯溅射进行弱监督占据估计，简化了采样过程。此外，我们引入 Ray Compensation 模块，通过补偿相邻帧的特征来减少重复预测。最后，我们重新设计动态损失，以消除相邻帧中动态物体的影响。大量实验表明，我们的方法在 RayIoU 上取得 SOTA 结果 (+6.0)，同时缩小了与 3D 监督方法之间的差距。这一工作为弱监督占据感知奠定了坚实基础。代码已公开于 https://github.com/Jasper-sudo-Sun/GSRender。
引用
@article{arxiv.2412.14579,
title = {GSRender: Deduplicated Occupancy Prediction via Weakly Supervised 3D Gaussian Splatting},
author = {Qianpu Sun and Changyong Shu and Sifan Zhou and Runxi Cheng and Yongxian Wei and Zichen Yu and Dawei Yang and Sirui Han and Yuan Chun},
journal= {arXiv preprint arXiv:2412.14579},
year = {2025}
}