基于3DGS和NeRF的三維重建技術在過去的一年中取得了快速的進步，動態(tài)模型也變得越來越普遍，然而這些模型僅限于處理原始軌跡域內(nèi)的對象。

HRMAD作為一種混合方案，將傳統(tǒng)的基于網(wǎng)格的動態(tài)三維神經(jīng)重建和物理渲染優(yōu)勢結合，支持在任意位置部署網(wǎng)格動態(tài)代理，自由調(diào)整環(huán)境條件，在多個相機視角下進行自由切換，與傳統(tǒng)仿真方法相比有效減少了領域差距，同時保留了可控性。

一、方法描述

HRMAD提出的NeRF2GS雙模型訓練范式顯著提升了合成質(zhì)量，尤其是道路和車道標志，同時滿足交互式幀率。通過此塊級并行訓練架構，可以處理超過10萬平方米場景重建，并同步傳輸出分割掩膜/法線圖/深度圖。通過物理光柵化/光線追蹤渲染后端，HRMAD支持多個相機模型、LiDAR和Radar的實時多模態(tài)輸出。如圖1所示的模型架構。

圖1

具體而言，HRMAD基于RGB相機、GNSS和LiDAR的同步數(shù)據(jù)進行模型訓練。該方案結合了NeRF優(yōu)秀的泛化能力和3DGS實時的渲染速度，通過T-S結構，將NeRF生成的深度、法線和外觀監(jiān)督信息傳遞給3DGS模型，并通過正則化將LiDAR深度數(shù)據(jù)引入NeRF，從而實現(xiàn)更準確的幾何結構建模。

傳統(tǒng)基于透視投影的渲染方法通常依賴于特定的投影模型，為了在3DGS場景中適配任意傳感器，HRMAD提出了一種新的渲染算法架構，如下圖2所示。

圖2

該架構基于共享代碼庫實現(xiàn)了光柵化和光線追蹤渲染，用于計算高斯沿射線的貢獻。這樣不僅能夠在三維重建場景中支持任意相機畸變模型，還能夠減輕LiDAR仿真中偽影的產(chǎn)生。圖3展示了在aiSim中采用HRMAD渲染場景并配置LiDAR后，點云的可視化效果。

圖3

圖4表明HRMAD在非常規(guī)視角下RGB、深度、法線和分割（基于Mask2Former）模態(tài)下的幾何細節(jié)和表面特性，重建面積約為165000平方米（ZalaZone測試場，此重建場景將于aiSim5.7版本進行發(fā)布）。

圖4

二、下游任務驗證

1、重建質(zhì)量驗證

由于HRMAD采用的是基于雙邊網(wǎng)格的色彩校正方法，傳統(tǒng)的PSNR指標不再適用，而SSIM和LPIPS指標對結果相似性更為敏感，但從結果上看，這兩個指標仍然受到ISP解耦導致的RAW與重建圖像之間色彩失配的影響。這一影響體現(xiàn)在了評估結果中，如表1，表中對比了原始3DGS和TCLC-GS在6個Waymo場景上的指標表現(xiàn)。

表1

2、語義分割驗證

在語義分割上分別從三個角度評估模型性能，首先通過統(tǒng)計所有像素中語義分類一致的比例，反映全局重建一致性。
通過Mask2Former獲取真實圖像上計算的分割Mask，并與HRMAD-NeRF(Teacher)和HRMAD-NeRF(Student)渲染得到的分割Mask進行比較，驗證重建的準確性。同時為了降低道路、天空等易分割區(qū)域對整體結果的偏差影響，針對"Car"進行單獨IoU計算。

為確保驗證過程的公平性，真實圖像被重投影至與渲染過程一致的無畸變針孔相機參數(shù)空間，當重建結果正確標注了遠距離或被遮擋物體，而Mask2Former因輸入信息有限導致誤判時，此類誤差會被計入評估指標。同時在夜間拍攝場景和相機直對太陽的場景中(如場景11037651和14663356)，掩膜一致性顯著下降。結果如表2所示。

表2

其次在非常規(guī)視角下進行模型渲染，并基于Mask2former生成的Mask與模型預測Mask進行比較。此渲染視角沿自車軌跡生成，并在[-1,3]米范圍內(nèi)平移前視相機仿真模型。表3展示了針對道路表面信息和車輛的重建性能。其中Car類型的重建性能相對較低，這是由于Mask2Frame無法檢測遠處或被遮擋的物體，從而擴大了差異。圖5顯了示相關結果，綠色為匹配區(qū)域，藍色和橙色分別表示模型預測Mask和Mask2Former的Mask輸出。

表3

圖5

最后在非常規(guī)渲染視角下（高5m，橫向偏移2m，向下偏轉25°），針對車道線和路沿語義分割結果進行了定性評估，如圖6所示。

圖6

3、3D目標檢測驗證

為了驗證HRMAD在3D目標檢測上的一致性，采用在Waymo Open數(shù)據(jù)集訓練中公開的DEVIANT 3D目標檢測模型，進行定量和定性實驗。

定量實驗中，在Waymo-13469905891836363794片段中從[0,3]橫向偏移視角下進行驗證，并通過平移變換后的3DBBox定量計算。定性實驗選取三個駕駛片段進行靜態(tài)環(huán)境渲染，并基于網(wǎng)格渲染添加動態(tài)車輛，主要用于評估仿真生成的車輛是否引入了領域差距。

表4基于Waymo指標進行驗證，Original為原始圖像。特別在近距離下，HRMAD的表現(xiàn)性能要優(yōu)于原始圖像，這是由于原始圖像中假陽FP數(shù)量更高。在非常規(guī)視角渲染下，觀察到的差異主要是橫向偏移視角下目標截斷的數(shù)量增加，但整體檢測結果在很大程度上保持一致。

表4

圖7為DEVIANT模型在HRMAD渲染W(wǎng)aymo場景中的表現(xiàn)。

圖7

三、結語

雖然HRMAD渲染方法旨在減少區(qū)塊邊界的不連續(xù)性，但仍不可避免地會產(chǎn)生可見的偽影，特別是在天空和遠距離目標區(qū)域中。比如天空的RGB重建效果良好，但在自動駕駛仿真測試場景中，在非常規(guī)視角下仍然會導致偽影和結構痕跡。

在下游任務中，HRMAD針對自動駕駛場景的評估結果已非常接近真實數(shù)據(jù)，但由于樣本有限，仍需要更大規(guī)模的數(shù)據(jù)集進行進一步驗證。未來的研究也會致力于進一步縮小重建場景和真實數(shù)據(jù)之間的領域差距，具體來說，可以通過探索層次化高斯?jié)姙R來減少區(qū)塊偽影，并利用生成的法線信息改進LiDAR強度模擬，來更好地反應點云數(shù)據(jù)的方向敏感強度。

目前，HRMAD生成場景已集成在aiSim中，可在不同傳感器模型配置方案下，實現(xiàn)端到端仿真測試交互式驗證和測試。