一种面向 4D 合作式驾驶重建的解耦时空高斯场景图
计算机视觉与模式识别
2026-05-12 v2
摘要
从车路协同自主驾驶(VICAD)数据重建动态场景根本上受到时序异步性的困扰：车载摄像头与基础设施摄像头各自独立工作，捕获相同的动态代理人(如车辆和行人)于不同的物理时间。现有的高斯场景图方法隐式假设观测同步，并为每个代理人在每个帧分配单个姿态，这在协作场景中不成立，导致梯度冲突，使动态代理人出现严重的幽灵效应。我们认定这是一种表征层面的失效，而非优化误区：我们证明，任何单一时序公式都会因代理速度和跨源时间偏移而产生与之比例的不可约 photometric 损失。为解决此问题，我们提出 Dust(Decoupled Spatio-Temporal) 高斯场景图用于 4D 合作式驾驶重建。DUST 高斯场景图为外观一致性共享每个代理人的标准化高斯集合，同时维护与各数据源真实捕获时间戳对齐的解耦姿态轨迹。我们证明，此解耦方式使姿态梯度核函数块对角化，彻底消除跨源干扰。为实用化 DUST，我们进一步引入基于静态锚点的姿态校正管线，以纠正车载与基础设施标注之间的时空错位，并提出姿态正则化的联合优化方案，以防止早期训练中的轨迹抖动和漂移。在 V2X-Seq 的 26 个序列上，DUST 实现了最先进的性能，动态区域 PSNR 提升 3.2 dB，Fréchet Video Distance 降低 37.7%，并在更大的时序异步条件下保持鲁棒性。
引用
@article{arxiv.2605.07910,
title = {One World, Dual Timeline: Decoupled Spatio-Temporal Gaussian Scene Graph for 4D Cooperative Driving Reconstruction},
author = {Yulong Chen and Xiaoyun Dong and Haoyu Zhang and Zongxian Yang and Lewei Xie and Xinke Li and Yifan Zhang and Kai Wang and Jianping Wang},
journal= {arXiv preprint arXiv:2605.07910},
year = {2026}
}