DyRAD：面向动态驾驶场景的雷达新视角合成

Hugging Face Daily Papers 论文
radar novel-view-synthesis autonomous-driving 3d-reconstruction sensor-fusion doppler

摘要

DyRAD 提出了一种面向动态驾驶场景的雷达新视角合成方法，通过建模静态背景与经运动跟踪的动态点反射器，渲染出完整的距离-方位-多普勒张量；该方法使用固定的解析点扩散函数，从而实现零样本的传感器配置迁移，并在 RADIal 基准上大幅超越基线方法。

从记录的传感器数据中重建动态驾驶场景，能够通过合成超出原始轨迹的观测，支持自动驾驶系统的闭环评估。与相机和 LiDAR 不同，雷达通过多普勒效应直接测量径向速度。然而，现有的雷达新视角合成方法并未利用这一能力：处理动态场景的方法仅重建距离-方位张量，而渲染多普勒的方法则假设场景是静态的。此外，由于雷达信号处理会将每个反射扩展到多个距离-方位单元，现有方法将这种扩展吸收到场景几何中，导致视角移动时渲染结果出错。我们提出 DyRAD，使用静态背景反射器和经运动跟踪的动态点反射器对动态驾驶场景进行建模，从而渲染完整的距离-方位-多普勒（RAD）张量。反射器速度由目标轨迹推导并投影到视线上，使多普勒既是渲染输出，也是这些轨迹的监督信号。关键在于，我们通过雷达信号处理链推导出的固定解析点扩散函数（PSF）来渲染反射器，避免传感器引入的扩展被固化到场景表示中。除了提升场景重建质量外，这种分离还实现了零样本的传感器配置迁移，使同一重建场景无需重新拟合即可在不同雷达规格下进行渲染。我们在 RADIal、Boreas 以及一个合成基准上对 DyRAD 进行了评估，涵盖路径上的位姿以及此前工作中未曾测试过的偏移视角。在 RADIal 上，DyRAD 在参考检测到的目标中成功恢复了 90.7% 的雷达检测结果，而最强基线仅为 26.9%。
查看原文
查看缓存全文

缓存时间: 2026/10/01 12:24

论文页面 - DyRAD：面向动态驾驶场景的雷达新视角合成

来源：https://huggingface.co/papers/2609.39841

摘要

从采集到的传感器数据中重建动态驾驶场景，可以通过合成原始轨迹之外的观测，为自动驾驶系统提供闭环评估的支持。与相机和 LiDAR 不同，雷达通过多普勒效应直接测量径向速度。然而，现有的雷达新视角合成方法未能利用这一能力：处理动态场景的方法只重建距离-方位角张量，而渲染多普勒的方法则假设场景是静态的。此外，由于雷达处理会将每个反射扩散到多个 bin 中，现有表示会将这种扩散吸收进场景几何，导致视角移动时渲染结果不正确。我们提出 DyRAD，它利用静态背景反射体和通过运动跟踪得到的动态点反射体来建模动态驾驶场景，从而渲染完整的距离-方位角-多普勒（RAD）张量。反射体速度由目标轨迹推导并投影到视线上，使多普勒既是渲染输出，也作为这些轨迹的监督信号。关键在于，我们通过一个固定的解析点扩散函数（PSF）来渲染反射体，该函数由雷达的信号处理链推导得到，从而避免将传感器引入的扩散固化到场景表示中。除改进场景重建之外，这种分离还实现了零样本的传感器配置迁移，使得同一个重建场景无需重新拟合即可在不同雷达规格下渲染。我们在 RADIal、Boreas 以及一个合成基准上对 DyRAD 进行评估，覆盖既有工作未测试过的沿轨迹位姿以及偏移视角。在 RADIal 上，DyRAD 在参考检测到的目标中恢复了 90.7% 的雷达检测结果，而最强基线仅为 26.9%。

查看 arXiv 页面 (https://arxiv.org/abs/2609.39841) 查看 PDF (https://arxiv.org/pdf/2609.39841) 项目页面 (https://dyrad-nvs.github.io/) GitHub0 (https://github.com/Dyrad-NVS/DyRAD) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.39841)

引用本文的模型 0

没有模型关联本文

在模型 README.md 中引用 arxiv.org/abs/2609.39841 即可从本页面链接。

引用本文的数据集 0

没有数据集关联本文

在数据集 README.md 中引用 arxiv.org/abs/2609.39841 即可从本页面链接。

引用本文的 Space 0

没有 Space 关联本文

在 Space README.md 中引用 arxiv.org/abs/2609.39841 即可从本页面链接。

包含本文的集合 1

相似文章

RADAR：表征间的相对角度散度

arXiv cs.LG

RADAR是一种基于几何的度量，通过分析表征的逐层角度与距离变化，并利用域内与跨域轨迹分布之间的KL散度，来估计基础模型中的跨领域可迁移性。

DF3DV-1K：大规模无干扰新视角合成数据集与基准

Hugging Face Daily Papers

介绍了DF3DV-1K，一个包含1048个场景和89924张图像的大规模真实世界数据集，用于无干扰的新视角合成，同时提供了九种方法的基准测试，以及通过微调基于扩散的2D增强器来改进辐射场方法的应用。

RAD-2：在生成器-判别器框架中扩展强化学习

Hugging Face Daily Papers

RAD-2 提出了一个用于自动驾驶的统一生成器-判别器框架，将基于扩散的轨迹生成与强化学习优化的重排序相结合，与基于扩散的规划器相比，碰撞率降低了56%。该方法引入了 Temporally Consistent Group Relative Policy Optimization 和 BEV-Warp 仿真环境等技术，以实现高效的大规模训练。