NeRO：神经道路表面重

NeRO：神经道路表面重

• 论文链接：https://arxiv.org/pdf/2405.10554

附赠自动驾驶最全的学习资料和量产经验：链接

摘要

本文介绍了NeRO：神经道路表面重建。在计算机视觉和图形学中，精确的道路表面重建对于各种应用而言是至关重要的，特别是在自动驾驶中。本文引入了一种利用多层感知器（MLPs）框架的新方法，其通过输入世界坐标x和y来重建道路表面的高度、颜色和语义信息。本文方法NeRO使用了基于MLPs的编码技术，显著提高了复杂细节信息的性能，加快了训练速度，并且缩小了神经网络的规模。该方法的有效性通过其卓越性能得以证明，这为语义应用渲染道路表面指明了一个有前景的方向，特别是在需要路况可视化、4D标注和语义分类的应用中。

主要贡献

本文的主要贡献如下：

1）本文引入了一种新的基于端到端MLPs的道路表面重建方法，以确保道路表面质量；

2）本文方法在整个重建过程中集成语义信息时，展现出语义能力。

论文图片和表格

总结

总之，本文提出了一种基于端到端MLPs的神经道路表面重建方法，该方法接收各种数据集来源，以使用道路高度输出来渲染颜色和语义信息。本文实验表明，所提出的方法在颜色或者语义信息方面具有成功的渲染能力。在语义应用中，它还证明了其可以处理稀疏标签和噪声标签。本文还比较了位置编码和多分辨率位置编码方法。结果表明，多分辨率位置编码方法在渲染道路表面的质量和速度方面表现更好。