论文的重要作者来自喷鼻港科技年夜学、小米汽车跟华中科技年夜学。论文的独特第一作者为喷鼻港科技年夜学博士后研讨员袁子康、小米汽车算法工程师蒲粤川、罗鸿城。论文作者还包含小米汽车天下模子担任人孙大陆。通信作者是华中科技年夜学的教学杨欣。在主动驾驶技巧贸易化落地的要害阶段，高品质仿真体系成为行车保险验证的中心基本设备。针对静态驾驶场景中相机与 LiDAR 结合仿真困难，Uni-Gaussians 提出一种基于同一高斯表征的分治衬着框架，实现准确性与盘算效力的协同优化。以后主流神经衬着计划存在明显范围性：基于 NeRF 的方式虽能经由过程持续场景表征同一衬着相机图像与 LiDAR 点云，但其依附麋集采样的体衬着机制招致盘算效力低下；基于高斯溅射（Gaussian Splatting）的方式应用高斯基元实现场景表征，并经由过程光栅化（Rasterization）告竣及时衬着，但其基于线性光学假设的衬着管线难以准确建模非线性光学传感器特征，招致该方式在针孔相机之外的传感器范例中利用受限。为霸占上述挑衅，来自喷鼻港科技年夜学、小米汽车跟华中科技年夜学的研讨团队提出了 Uni-Gaussians，实现了静态驾驶场景的高斯基元同一表征与分治衬着的架构。应用静态高斯场景图（Gaussian scene graph），建模静态配景与静态实体（如刚性车辆、非刚性行人）。图像数据采取光栅化（Rasterization）停止衬着，确保高帧率输出。LiDAR 数据则引入高斯光芒追踪（Gaussian Ray-Tracing），准确模仿激光脉冲传布特征。该任务为主动驾驶场景下的相机与 LiDAR 数据供给的仿真方法，在品质与盘算效力方面都获得了严重停顿。论文题目：Uni-Gaussians: Unifying Camera and Lidar Simulation with Gaussians for Dynamic Driving Scenarios论文链接：https://arxiv.org/pdf/2503.08317名目主页：https://zikangyuan.github.io/UniGaussians/论文奉献Uni-Gaussians 重要有以下奉献：提出了一种同一、高效的仿真体系，可能应用高斯基元实现相机跟激光雷达数据的结合重修。实现了包括车辆、行人跟骑车人在内的全部交通参加者的高品质 LiDAR 仿真。经由过程大批的试验证实了同一的高斯表征跟混杂衬着方式的上风。图一展现了最新 SOTA 方式 LiDAR4D 跟该方式仿真成果的对照。比拟之后方法，该方式能够正确地重修出种种可挪动物体，包含行人跟车辆。同时该方式对图像也能够停止高品质的重修。方式概述如图二所示，对一个静态驾驶场景，该方式树立一个高斯场景图来停止解耦建模，此中包括静态配景跟种种活动物体，比方刚性的车辆跟非刚性的行人、骑车人。方式对全部场景停止相机跟激光雷达同时的模仿。对相机图像数据，方式采取 2D 高斯基元（2D Gaussian primitives）的栅格化衬着。对激光雷达数据，盘算高斯球跟射线的交点并构建光芒追踪来停止模仿，联合反射强度（SH intensity）与射线抛弃概率（SH ray-drop probability）建模 LiDAR 的自动感知机制。试验成果Uni-Gaussians 在 Waymo 公然数据集长进行了评价。针对激光雷达数据，该任务采取 Chamfer Distance 跟 F-score 来停止点云多少何精度评价。并应用 RMSE、MedAE、LPIPS、SSIM 跟 PSNR 来评价雷达测距机能跟反射强度品质。同时试验讲演了衬着的耗时跟存储占用量。对相机图像衬着品质，则采取了 SSIM 跟 PSNR 停止评价。点云对照