$\textit{S}^3$Gaussian：面向自动驾驶的自监督街道高斯

对街道场景的照片级3D重建是开发现实世界模拟器的关键技术。尽管Neural Radiance Fields（NeRF）在驾驶场景中表现出色，但3D高斯溅写（3DGS）因其更快的速度和更明确的表示而成为值得期待的方向。然而，大多数现有的街道3DGS方法需要跟踪3D车辆边界框来分解静态和动态元素，以实现有效的重建，限制了其在野生场景中的应用。为促进无需昂贵注释的高效3D场景重建，我们提出一种自监督街道高斯（$\textit{S}^3$Gaussian）方法，通过4D一致性分解动态和静态元素。我们用3D高斯表示每个场景以保留明确性，并伴随一个时空场网络紧凑地建模4D动态。我们在具有挑战性的Waymo-Open数据集上开展了大量实验，以评估方法的有效性。我们的$\textit{S}^3$Gaussian展示了分解静态和动态场景的能力，并在不使用3D注释的情况下实现了最佳性能。代码可在：https://github.com/nnanhuang/S3Gaussian/ 查阅。