日本語タイトル#
ExtraGS：不確実性に基づく生成先行を用いた幾何学的認識軌道外挿
英文タイトル#
ExtraGS: Geometric-Aware Trajectory Extrapolation with Uncertainty-Guided Generative Priors
日本語摘要#
記録された運転ログから外挿ビューを合成することは、自動運転車両の運転シーンをシミュレーションするために重要ですが、依然として挑戦的なタスクです。最近の方法は生成先行を擬似真実データとして利用しますが、通常は幾何学的一貫性が低く、レンダリングが過度に滑らかになることが多いです。これらの制限に対処するために、私たちは ExtraGS を提案します。これは幾何学的および生成先行を統合した全体的な軌道外挿フレームワークです。ExtraGS の核心は、ハイブリッドガウス符号距離関数（SDF）設計に基づく新しい道路表面ガウス（RSG）表現と、遠方の物体を効率的に処理するために学習可能なスケーリング因子を使用する遠方ガウス（FFG）です。さらに、外挿アーティファクトが発生する場所でのみ生成先行を選択的に統合できる球面調和に基づく自己監視型不確実性推定フレームワークを開発しました。複数のデータセット、多様なマルチカメラ設定、およびさまざまな生成先行に関する広範な実験により、ExtraGS は外挿ビューのリアリズムと幾何学的一貫性を大幅に向上させ、元の軌道に沿った高忠実度を保持することを示しています。
英文摘要#
Synthesizing extrapolated views from recorded driving logs is critical for simulating driving scenes for autonomous driving vehicles, yet it remains a challenging task. Recent methods leverage generative priors as pseudo ground truth, but often lead to poor geometric consistency and over-smoothed renderings. To address these limitations, we propose ExtraGS, a holistic framework for trajectory extrapolation that integrates both geometric and generative priors. At the core of ExtraGS is a novel Road Surface Gaussian(RSG) representation based on a hybrid Gaussian-Signed Distance Function (SDF) design, and Far Field Gaussians (FFG) that use learnable scaling factors to efficiently handle distant objects. Furthermore, we develop a self-supervised uncertainty estimation framework based on spherical harmonics that enables selective integration of generative priors only where extrapolation artifacts occur. Extensive experiments on multiple datasets, diverse multi-camera setups, and various generative priors demonstrate that ExtraGS significantly enhances the realism and geometric consistency of extrapolated views, while preserving high fidelity along the original trajectory.
文章ページ#
ExtraGS：不確実性に基づく生成先行を用いた幾何学的認識軌道外挿
PDF 获取#
抖音をスキャンしてさらに素晴らしいコンテンツを見る