RGE-GS：基于扩散先验的奖励引导式驱动场景扩展重建
计算机视觉与模式识别
2025-07-28 v3
摘要
单次驱动剪辑常导致道路结构扫描不完整，使得对传感器模拟器而言，扩展场景重建至关重要。虽然当代3D高斯溅射（3DGS）技术在重建质量方面取得显著进展，但其直接集成扩散先验常导致累积性物理不一致，并牺牲训练效率。为此，我们提出RGE-GS——一个融合扩散生成与奖励引导高斯集成的扩展重建框架。RGE-GS框架包含两项关键创新：其一，我们提出奖励网络，学习识别并优先选择重建前的一致生成模式，从而实现对扩散输出的选择性保留，确保空间稳定性；其二，在重建过程中，我们设计一种差分化训练策略，自动根据场景收敛度调整高斯优化进程，显著优于基线方法。大量公开数据集的评估表明，RGE-GS在重建质量上实现了最先进水平。我们的源代码将公开于：https://github.com/CN-ADLab/RGE-GS
引用
@article{arxiv.2506.22800,
title = {RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors},
author = {Sicong Du and Jiarun Liu and Qifeng Chen and Hao-Xiang Chen and Tai-Jiang Mu and Sheng Yang},
journal= {arXiv preprint arXiv:2506.22800},
year = {2025}
}