EgoDepthGS：基于平移流的街道尺度高斯溅射深度支撑方法

《IEEE Open Journal of Intelligent Transportation Systems》：EgoDepthGS: Translational Flow–Based Depth Scaffolding for Street-Scale Gaussian Splatting

　　

摘要：

在三维空间中捕捉并重建动态城市场景，对于自动驾驶等实际应用中的模拟来说至关重要。基于近期在三维高斯泼溅技术（3DGS）方面的进展，该技术能够实现高质量且高效的场景表征，我们提出了EgoDepthGS，这是一种仅依靠摄像头即可实现动态驾驶环境下三维重建的方法。与那些需要激光雷达辅助来确定泼溅点位置的现有方法不同，EgoDepthGS仅需单目图像序列就能生成高质量重建结果，从而无需依赖成本高昂的深度传感器。我们设计了一种非迭代式深度估计技术，可直接从光流中获取每像素的深度值，并利用针孔相机模型将其映射到三维空间中，无需进行迭代优化。为确保时间一致性，我们还引入了运动补偿模块，用于纠正由车辆自身运动带来的深度误差。通过分离光流中的旋转成分，该方法在直线行驶和转弯时都能保持稳定性能。在标准评估指标（如LPIPS）上，EgoDepthGS的表现与StreetGaussians等现有方法相当，这表明将传统几何视觉技术与3DGS相结合，能够提供一种成本适中、所需传感器较少且具有可扩展性的解决方案，用于构建复杂的城市场景。我们的项目页面地址为https://git4confer.github.io/ABC/。