MapGS：基于新视角合成的在线地图构建泛化预训练与数据增强
计算机视觉与模式识别
2025-01-14 v1 机器人学
摘要
在线地图构建减少了自动驾驶车辆对高清晰度（HD）地图的依赖，显著增强了可扩展性。然而，最近的进展往往忽视了跨传感器配置的泛化能力，导致模型部署在具有不同相机内参和外参的车辆上时出现性能下降。随着新视角合成方法的快速发展，我们研究了这些技术在多大程度上可以被利用来解决传感器配置泛化挑战。我们提出了一个利用Gaussian splatting重建场景并在目标传感器配置下渲染相机图像的新框架。目标配置传感器数据以及映射到目标配置的标签被用于训练在线地图构建模型。我们在nuScenes和Argoverse 2数据集上提出的框架通过有效的数据集增强实现了18%的性能提升，获得了更快的收敛速度和高效的训练，并且在仅使用25%原始训练数据时超越了最先进的性能。这使得数据重用成为可能，并减少了对费力的数据标注的需求。项目页面位于 https://henryzhangzhy.github.io/mapgs。
引用
@article{arxiv.2501.06660,
title = {MapGS: Generalizable Pretraining and Data Augmentation for Online Mapping via Novel View Synthesis},
author = {Hengyuan Zhang and David Paz and Yuliang Guo and Xinyu Huang and Henrik I. Christensen and Liu Ren},
journal= {arXiv preprint arXiv:2501.06660},
year = {2025}
}