本文經(jīng)自動駕駛之心公眾號授權轉載，轉載請聯(lián)系出處。

寫在前面 & 個人理解

UC Berkeley最新的工作，提出了DeSiRe GS。全新自監(jiān)督高斯飛濺表示，可以在復雜的駕駛場景中實現(xiàn)有效的靜態(tài)-動態(tài)分解和高保真表面重建。我們的方法采用動態(tài)街道高斯的兩階段優(yōu)化流水線。在第一階段，由于3DGS只能重建動態(tài)環(huán)境中的靜態(tài)區(qū)域，因此首先提取2D運動目標mask。然后這些提取的2D運動先驗以可微的方式映射到高斯空間，在第二階段利用動態(tài)高斯的有效公式。結合引入的幾何正則化，我們的方法能夠解決自動駕駛中數(shù)據(jù)稀疏引起的過擬合問題，重建與物體表面對齊而不是漂浮在空中的物理上合理的高斯分布。此外，我們引入了時間跨視圖一致性，以確保跨時間和視點的一致性，從而實現(xiàn)高質量的表面重建。綜合實驗證明了DeSiRe GS的效率和有效性，超越了先前的自監(jiān)督技術，實現(xiàn)了與依賴外部3D邊界框標注的方法相當?shù)臏蚀_性。

• 開源鏈接：https://github.com/chengweialan/DeSiRe-GS

總結來說，本文的主要貢獻如下：

• 本文基于3DGS無法成功建模動態(tài)區(qū)域的簡單觀察，從外觀差異中輕松提取運動信息。
• 然后以可微的方式使用time-varying高斯將提取的局部幀中的2D運動先驗提取到全局高斯空間中。
• 引入了有效的3D正則化和時間交叉視圖一致性，以生成物理上合理的高斯球，進一步增強高質量的分解和重建。

相關工作回顧

城市場景重建。新視圖合成的最新進展，如神經(jīng)輻射場（NeRF）和3D高斯散斑（3DGS），顯著推進了城市場景重建。許多研究已經(jīng)將NeRF集成到自動駕駛的工作流程中。Urban Radiance Fields結合了激光雷達和RGB數(shù)據(jù)，而Block NeRF和Mega NeRF則對大型場景進行了分區(qū)，以進行并行訓練。然而，動態(tài)環(huán)境帶來了挑戰(zhàn)。NSG使用神經(jīng)場景圖來分解動態(tài)場景，SUDS引入了一個用于4D場景表示的多分支哈希表。EmerNeRF和RoDUS等自我監(jiān)督方法可以有效地應對動態(tài)場景挑戰(zhàn)。EmerNeRF通過場景流估計捕獲目標對應關系，RoDUS利用基于核的魯棒訓練策略結合語義監(jiān)督。

在基于3DGS的城市重建中，最近的工作引起了人們的關注。StreetGaussians使用球諧函數(shù)分別對靜態(tài)和動態(tài)場景進行建模，而DrivingGaussian引入了用于靜態(tài)背景和動態(tài)目標重建的特定模塊。OmniRe通過動態(tài)高斯場景圖統(tǒng)一了靜態(tài)和動態(tài)對象重建。

靜態(tài)動態(tài)分解。幾種方法試圖對動態(tài)和靜態(tài)部件的變形進行建模。D-NeRF、Nerfiles、Deformable GS和4D-GS通過引入變形場擴展了vanilla NeRF或3DGS。他們計算規(guī)范到觀測的轉換，并通過變形網(wǎng)絡分離靜態(tài)和動態(tài)組件。然而，由于學習密集變形參數(shù)需要大量的計算資源，將這些方法應用于大規(guī)模駕駛場景具有挑戰(zhàn)性，不準確的分解會導致次優(yōu)性能。

對于自動駕駛場景，NSG將動態(tài)和靜態(tài)部分建模為神經(jīng)場景圖中的節(jié)點，但需要額外的3D注釋。其他基于NeRF的方法利用多分支結構分別訓練時變和時不變特征。基于3DGS的方法，也側重于靜態(tài)-動態(tài)分離，但仍面臨局限性。PVG為每個高斯函數(shù)分配速度和壽命等屬性，區(qū)分靜態(tài)和動態(tài)。然而，這種分離仍然不完整，缺乏徹底性。

神經(jīng)表面重建。傳統(tǒng)的神經(jīng)曲面重建方法更側重于真實的幾何結構。隨著神經(jīng)輻射場（NeRF）技術的興起，神經(jīng)隱式表示顯示出高保真表面重建的前景。StreetSurf建議在城市環(huán)境中解開近景和遠景，以更好地進行隱式表面重建。

3D GS重新引起了人們對顯式幾何重建的興趣，最近的工作側重于幾何正則化技術。SuGaR通過引入和附加正則化項將高斯橢球體與物體表面對齊，而2DGS直接用2D圓盤替換3D橢球體，并利用截斷符號距離函數(shù)（TSDF）融合深度圖，實現(xiàn)無噪聲的表面重建。PGSR引入了單視圖和多視圖正則化，以實現(xiàn)多視圖一致性。GSDF和NeuSG將3D高斯與神經(jīng)隱式SDF相結合，以增強表面細節(jié)。TrimGS通過修剪不準確的幾何體來細化表面結構，保持與3DGS和2DGS等早期方法的兼容性。雖然這些方法在小規(guī)模重建中表現(xiàn)出色，但較新的作品旨在解決大規(guī)模的城市場景。RoGS提出了與路面物理特性相一致的2D高斯曲面表示。

DeSiRe-GS方法詳解

如圖2所示，訓練過程分為兩個階段。我們首先通過計算渲染圖像和GT圖像之間的特征差來提取2D運動mask。在第二階段，我們使用PVG將2D運動信息提取到高斯空間中，從而能夠以可微的方式糾正每個高斯的不準確屬性。

Dynamic Mask Extraction (stage I)

在第一階段，我們觀察到3D高斯散斑（3DGS）在重建靜態(tài)元素方面表現(xiàn)良好，例如駕駛場景中停放的汽車和建筑物。然而它很難準確地重建動態(tài)區(qū)域，因為原始的3DGS沒有包含時間信息。如圖2（階段1）所示，這種限制會導致渲染圖像中出現(xiàn)重影狀浮點等偽影。為了解決這個問題，我們利用靜態(tài)和動態(tài)區(qū)域之間的顯著差異，開發(fā)了一種有效的方法來提取編碼運動信息的分割mask。

最初，采用預訓練的基礎模型從渲染圖像和用于監(jiān)督的GT圖像中提取特征。設F表示從渲染圖像I中提取的特征，F(xiàn)表示從GT圖像I中抽取的特征。為了區(qū)分動態(tài)和靜態(tài)區(qū)域，我們計算相應特征之間的每像素相異度D。相異度度量D對于類似特征接近0，表示靜態(tài)區(qū)域，對于不同特征接近1，對應于動態(tài)區(qū)域。

當預訓練模型被凍結時，計算出的相異度得分不涉及任何可學習的參數(shù)。我們提出了一種多層感知器（MLP）解碼器來預測動態(tài)度δ，而不是對D應用簡單的閾值來生成運動分割mask。該解碼器利用提取的特征，其中包含豐富的語義信息，同時采用相異性得分來指導和優(yōu)化解碼器的學習過程。

通過采用等式7中定義的損失函數(shù)，解碼器被優(yōu)化以預測與動態(tài)區(qū)域對應的D較高的區(qū)域中的較低值，從而最小化損失。然后，我們可以獲得二進制掩碼編碼運動信息（ε是固定閾值）：

在訓練過程中，圖像渲染和mask預測的聯(lián)合優(yōu)化是相輔相成的。通過在監(jiān)控過程中排除動態(tài)區(qū)域，渲染圖像和GT圖像之間的差異變得更加明顯，從而有助于提取運動蒙版。

Static Dynamic Decomposition (stage II)

雖然第一階段提供了有效的動態(tài)mask，但這些mask僅限于圖像空間而不是3D高斯空間，并且依賴于GT圖像。這種依賴性限制了它們在新型視圖合成中的適用性，在這種情況下，監(jiān)督圖像可能不可用。

為了將2D運動信息從第一階段橋接到3D高斯空間，我們采用了PVG，一種動態(tài)場景的統(tǒng)一表示（第3節(jié)）。然而，PVG對圖像和稀疏深度圖監(jiān)督的依賴帶來了挑戰(zhàn)，因為很難從間接監(jiān)督信號中學習到準確的運動模式。因此，如圖2（第2階段）所示，渲染的速度圖V通常包含噪聲異常值。例如，速度應為零的道路和建筑物等靜態(tài)區(qū)域沒有得到有效處理。這導致場景分解不令人滿意，PVG經(jīng)常對預期速度為零的區(qū)域進行錯誤分類。

為了緩解這個問題并生成更精確的高斯表示，我們結合了從第一階段獲得的分割mask來正則化2D速度圖V，該速度圖V是從3D空間中的高斯圖渲染的。

最小化Lv會懲罰速度應為零的區(qū)域，有效地消除了原始PVG產(chǎn)生的噪聲異常值。該過程將運動信息從2D局部幀傳播到全局高斯空間。對于每個高斯分布，通過應用一個簡單的閾值，可以區(qū)分動態(tài)和靜態(tài)高斯分布。與PVG和S3Gaussian相比，這種方法實現(xiàn)了更優(yōu)的自監(jiān)督分解，而不需要額外的3D標注，如之前方法中使用的邊界框。

Surface Reconstruction

Geometric Regularization

Flattening 3D高斯：受2D高斯散斑（2DGS）的啟發(fā)，我們的目標是將3D橢球體壓平成2D圓盤，使優(yōu)化的高斯更好地符合物體表面，并實現(xiàn)高質量的表面重建。3DGS的尺度s=（s1，s2，s3）定義了橢球體沿三個正交軸的大小。最小化沿最短軸的比例有效地將3D橢球體轉換為2D磁盤。縮放正則化損失為：

法線推導：曲面法線對于曲面重建至關重要。以前的方法通過向每個高斯函數(shù)附加一個法向量來合并法線，然后使用該法向量來渲染法線圖N。使用地面真值法線圖來監(jiān)督高斯法線的優(yōu)化。然而，這些方法往往無法實現(xiàn)精確的表面重建，因為它們忽略了尺度和法線之間的內(nèi)在關系。我們不附加單獨的法向量，而是直接從尺度向量s中推導出法向量n。法向量方向自然與對應于最小尺度分量的軸對齊，因為高斯在展平正則化后形狀像圓盤。

通過這種法線公式，梯度可以反向傳播到尺度向量，而不是附加的法線向量，從而促進高斯參數(shù)的更好優(yōu)化。正常損失是：

Giant高斯正則化：我們觀察到，3DGS和PVG都可以在不進行額外正則化的情況下產(chǎn)生超大高斯橢球，特別是在無界驅動場景中，如圖3（a）所示。

我們的主要目標是擬合適當縮放的高斯分布，以支持精確的圖像渲染和表面重建。雖然具有低不透明度的超大高斯橢球體對渲染圖像的影響可能很小，但它們會嚴重損害表面重建。這是一個在僅關注2D圖像渲染的現(xiàn)有方法中經(jīng)常被忽視的局限性。為了解決這個問題，我們?yōu)槊總€高斯函數(shù)引入了一個懲罰項：

Temporal Spatial Consistency

在駕駛場景中，視圖的稀疏性通常會導致高斯優(yōu)化過程中對訓練視圖的過擬合。單視圖圖像丟失特別容易受到遠距離無紋理區(qū)域的挑戰(zhàn)。因此，依賴圖像和稀疏深度圖的光度監(jiān)督是不可靠的。為了解決這個問題，我們建議通過利用時間交叉視圖信息來增強幾何一致性。

在假設靜態(tài)區(qū)域的深度在不同視圖之間隨時間保持一致的情況下，我們引入了一個跨視圖時空一致性模塊。對于參考系中深度值為dr的靜態(tài)像素（ur，vr），我們將其投影到最近的相鄰視圖——重疊最大的視圖。使用相機內(nèi)部函數(shù)K和外部函數(shù)Tr、Tn，相鄰視圖中的相應像素位置計算如下：

然后，我們查詢相鄰視圖中（un，vn）處的深度值dn。將其投影回3D空間，得到的位置應與通過將（ur，vr，dr）反向投影到參考系而獲得的位置對齊：

為了加強交叉視圖深度一致性，我們應用幾何損失來優(yōu)化高斯分布，定義為：

這種損失促使高斯人隨著時間的推移在視圖中產(chǎn)生幾何一致的深度。

優(yōu)化

第一階段：在第一階段，我們的目標是利用運動掩模和渲染圖像的聯(lián)合優(yōu)化來有效地學習運動掩模。因此，我們只使用遮蔽圖像損失LI：

第二階段：我們使用阿爾法混合來渲染深度圖、法線圖和速度圖，如下所示：

實驗結果

結論

本文提出了一種用于駕駛場景中靜態(tài)動態(tài)分解和高質量表面重建的自監(jiān)督方法DeSiRe GS。通過引入運動掩模模塊并利用時間幾何一致性，DeSiRe GS解決了動態(tài)對象建模和數(shù)據(jù)稀疏性等關鍵挑戰(zhàn)。