自动驾驶之心『3DGS』交流群成立了

最新推荐文章于 2025-12-08 20:30:00 发布
转载 最新推荐文章于 2025-12-08 20:30:00 发布 · 306 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247644398&idx=5&sn=25a2f0f744ab011bc3ab8fdbcfbe09aa&chksm=cf8270f203d48fe55ed01ea43cb26570fd79b17d3fcb1bad90c68566a4621c5331d319b205b2&scene=126&sessionid=0
文章标签：

#自动驾驶 #3d #人工智能 #机器学习

自动驾驶之心是国内领先的技术交流平台，关注自动驾驶前沿技术与行业、职场成长等。我们成立了一系列的技术交流群，涉及：语义分割、车道线检测、2D/3D目标跟踪、2D/3D目标检测、BEV感知、多模态感知、Occupancy、多传感器融合、transformer、大模型、点云处理、端到端自动驾驶、在线地图、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、Gaussian Splatting、规划控制、模型部署落地、自动驾驶仿真测试、产品经理、硬件配置、AI求职交流等多个方向！

自动驾驶之心『3DGS』交流群成立了！添加小助理微信CLmovingup加入交流群，备注：昵称+学校/公司+研究方向！

85e73a8f30335e0fcd506601df5c8b0e.jpeg

备注：昵称+学校/公司+研究方向

训练缩短95％！Event3DGS让你的3DGS全面提速！
计算机视觉工坊
06-07 924
最近出现的3D高斯散射（3DGS）利用了显式基于点的表示的优势，显著提高了新视图合成的渲染速度和质量。然而，在高动态运动或挑战性照明条件下的3D辐射场渲染在现实世界的机器人任务中仍然存在问题。原因是快速自运动在现实世界的机器人任务中普遍存在，这会引起运动模糊，导致重建结构中的不准确性和伪影。为了缓解这个问题，我们提出了Event3DGS，这是第一种仅从原始事件流中学习高斯散射的方法。通过利用事件相机的高时序分辨率和显式基于点的表示，Event3DGS可以仅从事件流中在快速自运动下重建高保真度的3D结构。
NeRF和3DGS微信交流群发布！
阿木寺的博客
03-15 415
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达添加微信：CVer444，小助手会拉你进群！扫描下方二维码，加入CVer学术星球，可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文搞科研，强烈推荐！NeRF方向微信技术交流群截止2024-3月-14日，已有超过1000多人加入CVer NeRF方向的微信技术交流群。大家一起分享、交流、学习，才会学...
自动驾驶之心『3DGS』和『端到端自动驾驶』交流群成立了！
CV_Autobot的博客
07-30 170
自动驾驶之心是国内领先的技术交流平台，关注自动驾驶前沿技术与行业、职场成长等。我们成立了一系列的技术交流群，涉及：语义分割、车道线检测、2D/3D目标跟踪、2D/3D目标检测、BEV感知、多模态感知、Occupancy、多传感器融合、transformer、大模型、点云处理、端到端自动驾驶、在线地图、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、Gaussian Splatting、...
自动驾驶之心『世界模型和3DGS』交流群成立了！
CV_Autobot的博客
07-13 181
自动驾驶之心是国内领先的技术交流平台，关注自动驾驶前沿技术与行业、职场成长等。我们成立了一系列的技术交流群，涉及：语义分割、车道线检测、2D/3D目标跟踪、2D/3D目标检测、BEV感知、多模态感知、Occupancy、多传感器融合、transformer、大模型、点云处理、端到端自动驾驶、在线地图、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、Gaussian Splatting、...
扩散模型和3DGS微信群成立！
阿木寺的博客
08-05 133
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达扫描下方二维码，加入CVer学术星球，可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪，强烈推荐！扩散模型微信技术交流群扫描下方CVer小助手的微信二维码或者微信号：CVer111，来添加好友（或者联系已经加好微信的CVer小助手）。一定要备注：扩散模型+地区+学校/公司+姓名添加好...
3D视觉交流群，成立啦！
3D视觉工坊
08-15 369
3D视觉交流群，成立啦！目前我们已经建立了3D视觉方向多个社群，包括2D计算机视觉、最前沿、工业3D视觉、SLAM、自动驾驶、三维重建、无人机等方向，细分群包括：工业3D视觉：相机标定、立体匹配、三维点云、结构光、机械臂抓取、缺陷检测、6D位姿估计、相位偏折术、Halcon、摄影测量、阵列相机、光度立体视觉等。SLAM：视觉SLAM、激光SLAM、语义SLAM、滤波算法、多传感器融合、多传感器标定...
爆火扩散模型和3DGS微信群成立！
阿木寺的博客
06-29 148
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达扫描下方二维码，加入CVer学术星球，可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪，强烈推荐！扩散模型微信技术交流群扫描下方CVer小助手的微信二维码或者微信号：CVer5555，来添加好友（或者联系已经加好微信的CVer小助手）。一定要备注：扩散模型+地区+学校/公司+姓名添加...
北大&清华开源！S3Gaussian：首个无需标注的自动驾驶动态Gaussian！
3D视觉工坊
06-16 914
点击下方卡片，关注「3D视觉工坊」公众号选择星标，干货第一时间送达来源：3D视觉工坊添加小助理：dddvision，备注：方向+学校/公司+昵称，拉你入群。文末附行业细分群扫描下方二维码，加入3D视觉知识星球，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料：近20门视频课程（星球成员免费学习）、最新顶会论文、计算机视觉书籍、优质3D视觉算法源码等。想要入门3D视觉、做项目、搞科研，欢迎扫...
清华 & 伯克利开源！Driv3R：自动驾驶的4D动态场景重建 | 15倍加速！
3D视觉工坊
12-12 575
点击下方卡片，关注「3D视觉工坊」公众号选择星标，干货第一时间送达来源：3D视觉工坊添加小助理：cv3d001，备注：方向+学校/公司+昵称，拉你入群。文末附3D视觉行业细分群。扫描下方二维码，加入「3D视觉从入门到精通」知识星球(点开有惊喜)，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料：近20门秘制视频课程、最新顶会论文、计算机视觉书籍、优质3D视觉算法源码等。想要入门3D视觉、做...
3DGS方向交流群成立啦！
3D视觉工坊
03-21 125
点击下方卡片，关注「3D视觉工坊」公众号选择星标，干货第一时间送达添加小助理: dddvision，备注：研究方向+学校/公司+昵称（如3DGS+清华+小草莓）▲长按扫码添加助理大家好，我是小草莓！我们3D视觉工坊成立了计算机视觉各个方向的交流群，详细如下所示，欢迎添加小助理，邀请你加群！3D视觉交流群目前我们已经建立了3D视觉方向多个社群，包括SLAM、工业3D视觉、自动驾驶、三维重建、无人机等...
CVPR‘24开源 | 通过3D GS进行整体城市3D场景理解！
3D视觉工坊
03-24 581
基于RGB图像的城市场景的整体理解是一个具有挑战性但重要的问题。它包括理解几何和外观，以实现新视图合成，解析语义标签，并跟踪移动物体。尽管取得了相当大的进展，但现有方法通常侧重于此任务的特定方面，并需要额外的输入，例如LiDAR扫描或手动注释的3D边界框。在本文中，我们介绍了一种利用3D高斯喷涂的新型管道，用于全面理解城市场景。我们的主要想法涉及使用静态和动态3D高斯的组合，通过物理约束对移动物体姿态进行正则化，从而联合优化几何、外观、语义和运动。
349 FPS！开源！CoR-GS：仅需3张图片即可训练Gaussian场景！
3D视觉工坊
05-28 679
三维高斯点云投影（3DGS）创建一个由三维高斯函数组成的辐射场来表示一个场景。在训练视角稀疏的情况下，3DGS很容易出现过拟合，从而对重建质量产生负面影响。本文介绍了一种新的共正则化视角，用于改善稀疏视角下的3DGS。当使用相同的场景稀疏视角训练两个三维高斯辐射场时，我们观察到这两个辐射场表现出"点争议"和"渲染争议"，这可以无监督地预测重建质量，这源于密度化中的采样实现。我们进一步通过评估高斯函数点表示之间的配准，并计算其渲染像素之间的差异，量化了点争议和渲染争议。
CVPR‘24开源 | Symphonies：深入自动驾驶中的3D语义场景补全
计算机视觉工坊
06-22 268
3D语义场景补全（SSC）已成为自动驾驶中新兴而重要的任务，旨在预测体积场景内的体素占用情况。然而，当前的方法主要集中在体素级特征聚合上，而忽略了实例语义和场景上下文。本文提出了一种名为Symphonies（从实例到场景）的新范式，深入探讨了将实例查询整合到2D到3D重建和3D场景建模中。利用我们提出的串行实例传播注意力，Symphonies动态地编码了以实例为中心的语义，促进了图像域和体积域之间的复杂交互。
CVPR‘24开源 | 增强一切3D任务！UniPAD：自动驾驶的通用预训练范式
计算机视觉工坊
04-19 290
在自动驾驶的背景下，有效特征学习的重要性被广泛认可。虽然传统的3D自监督预训练方法已经取得了广泛成功，但大多数方法都遵循了最初设计用于2D图像的思想。在本文中，我们提出了UniPAD，一种新颖的自监督学习范式，应用了3D体积可微渲染。UniPAD隐含地编码3D空间，有助于重建连续的3D形状结构和它们的2D投影的复杂外观特征。我们方法的灵活性使其能够无缝集成到2D和3D框架中，从而更全面地理解场景。我们通过在各种下游3D任务上进行大量实验，证明了UniPAD的可行性和有效性。
深度探索：自动驾驶路径规划与避障功能实现——从运动学到动力学模型到决策规划算法的完整系列
最新发布
2508_94229148的博客
12-08 708
动态规划虽然灵活，但计算量随状态维度指数增长——实测中发现，如果障碍物超过5个，Matlab可能会卡到怀疑人生。这时候可能需要换成RRT或者A的变种，但那就是另一个故事了…
复现ICRA 2022自动驾驶实时轨迹规划：速度路径解耦方法研究，基于Linux系统ROS的场...
2508_94198873的博客
12-08 321
最近在复现2022年ICRA上的一篇关于自动驾驶实时轨迹规划的论文，感觉挺有意思的。整个复现过程中，最让我头疼的是如何在实际场景中验证算法的效果。路径规划负责生成一条从起点到终点的路径，而速度规划则在这条路径上决定车辆的速度。这样做的好处是，可以更灵活地应对不同的驾驶场景，比如突然出现的障碍物或者复杂的交通状况。ROS的节点通信机制非常适合这种多模块的系统，路径规划和速度规划可以分别作为独立的节点运行，通过话题进行数据交换。DWA算法会在当前速度的基础上，生成一系列可能的速度窗口，然后选择最优的速度组合。
几种自动驾驶框架简要梳理
weixin_48386130的博客
12-08 93
本文简单梳理了现有的几种自动驾驶框架。在网上找了找，才发现真正开源的自动驾驶算法框架没有几个。写的不对的地方希望大家纠正。
VADv2：基于概率规划的端到端矢量化自动驾驶
m0_65010824的博客
12-03 940
本文是对论文《VADv2: End-to-End Vectorized Autonomous Driving via Probabilistic Planning》的深度解读。在端到端自动驾驶领域，驾驶规划的不确定性与非确定性始终是核心挑战。华中科技大学与地平线机器人团队提出的 VADv2，创新性地将概率建模用于连续规划动作空间，以多视角图像序列为输入，经场景编码与概率规划输出动作分布并采样控车，仅用相机就在 CARLA Town05 基准实现 SOTA 闭环性能，无需规则包装器即可稳定运行。
FSD入华“加速”中国自动驾驶产业的推动与重构
lmj1689120的博客
12-03 646
FSD入华将促进中国自动驾驶产业从"跟跑"到"并跑"甚至"领跑"的转变，为中国智能网联汽车产业的高质量发展注入新的活力
3dGS自动驾驶
03-27
### 3DGS技术在自动驾驶中的实现方案 #### 高效的三维场景重建 3D高斯点阵渲染（3DGS）是一种高效的三维场景重建技术，其核心在于通过优化计算资源分配提升复杂场景下的建模效率和精度[^1]。该技术利用高斯分布模型表示空间中的每一个点云数据，从而显著减少传统几何建模所需的存储开销。 #### 动态环境模拟 为了满足自动驾驶仿真对动态环境的需求，3DGS不仅支持静态物体的精确重建，还能够实时捕捉并呈现移动对象的行为特征。这使得基于仿真的测试更加贴近实际道路状况，有助于提高算法训练的质量[^2]。 #### 数据驱动的方法论 不同于依赖人工设计的传统方式，现代神经网络架构如NeRF (Neural Radiance Fields)，以及改进版的3DGS框架采用端到端的数据驱动策略来进行自动化生成逼真图像序列的过程。这种方法极大地缩短了开发周期，并降低了成本投入的同时也增强了系统的适应能力面对不同类型的输入源文件格式转换等问题提供了灵活解决方案。 ```python import numpy as np from scipy.stats import multivariate_normal def generate_gaussian_point(x, y, z, sigma=0.5): """ Generate a Gaussian point cloud centered at (x,y,z). Args: x (float): X-coordinate of the center. y (float): Y-coordinate of the center. z (float): Z-coordinate of the center. sigma (float): Standard deviation for the Gaussian distribution. Returns: ndarray: A set of points sampled from the specified Gaussian distribution. """ mean = [x, y, z] cov = [[sigma ** 2, 0, 0], [0, sigma ** 2, 0], [0, 0, sigma ** 2]] v = multivariate_normal(mean, cov).rvs(1000) return v # Example usage points = generate_gaussian_point(0, 0, 0) print(points[:5]) ``` 上述代码片段展示了如何创建一个简单的三维高斯分布点集，这是构成更复杂的3DGS结构的基础单元之一。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值