抖音小程序定制开发东莞优化网站关键词优化

ReconDreamer 论文

在 DriveDreamer4D 的基础上，通过渐进式数据更新，解决大范围机动（多车道连续变道、紧急避障）的问题。同时 DriveDreamer4D生成轨迹后直接渲染，而 ReconDreamer 会实时通过 DriveRestorer 检测渲染结果与物理规则的冲突，并反向调整高斯参数。

总结来看，ReconDreamer 是 DriveDreamer4D 的增强版，核心创新在于将「静态世界模型调用」升级为「动态渐进式知识融合」，从而解决大机动场景的渲染难题。

DriveRestorer
先利用原始数据训练一遍重建模型，然后沿原始轨迹生成渲染视频 $\widehat{V_{ori}}=\mathcal{G}({\tau }_{ori})$ 。
由于重建模型的欠拟合，会产生重影伪影，从不同训练阶段采样渲染视频，构成数据集 { V ^ o r i k , V o r i } \{\hat{V}_{ori}^k,V_{ori}\} {V^orik​,Vori​} 其中 ${\hat{V}}_{ori}^k$ 表示第 k 训练阶段采样的渲染视频。（模仿 DriveDreamer4D）对 ${\hat{V}}_{ori}^k$ 施加 mask，重点修复远景和天空等易失真的区域，通过 $ϵ({\hat{V}}_{mask})=ϵ({\hat{V}}_{o}ri⨀M)$ 基于扩散模型的渐进式优化：
$${\mathcal{L}}_{\mathcal{R}}={\mathbb{E}}_{\mathbf{z},ϵ\sim \mathcal{N}(0,1),t}\left[{\Vert {ϵ}_t-{ϵ}_{\theta }\left({\mathbf{z}}_t,t,\mathbf{c}\right)\Vert }_2^2\right]$$
控制条件 c 为 ${\hat{V}}_{mask}$，3D 边界框与高清地图。
推理时，冻住 DriveRestorer 参数用于新轨迹渲染修复：
$$V_{\mathrm{novel}}=\mathcal{R}({\hat{V}}_{\mathrm{novel}},\mathcal{P}(s,{\mathcal{T}}_{\mathrm{novel}}^k)),$$
其中 s 为 3D 边界框和高清地图，$\mathcal{P}(\cdot )$ 表示将 s 对齐到 ${\tau }_{novel}^k$ 的投影变换。’

• 轨迹扩展：第k次更新时，新轨迹 ${\tau }_{novel}$ 扩展 $y=k\Delta y$ 米（$\Delta y$ 为预设值，从 1.5m 开始，逐步生成 3m，6m）

• 数据生成：通过重建模型 $\mathcal{G}$ 渲染扩展轨迹视频 ${\hat{V}}_{novel}$​，经 DriveRestorer 修复得 $V_{novel}$​
• 加权更新：按采样概率 $w=\frac{k}{{\sum }_{j=1}^{k}j}$​ 更新数据集：高伪影区域：70%修复数据+30%原始数据；低伪影区域：30%修复数据+70%原始数据。通过 KL 散度监控，保证数据分布不发生漂移。$$D_{\mathrm{novel}}=(1-w)\cdot D_{\mathrm{novel}}\cup w\cdot V_{\mathrm{novel}}$$
  原始数据：${\mathcal{L}}_{\mathrm{ori}}(\varphi )={\lambda }_1{\mathcal{L}}_{\mathrm{ori}}^{\mathrm{RGB}}+{\lambda }_2{\mathcal{L}}_{\mathrm{ori}}^{\mathrm{Depth}}+{\lambda }_3{\mathcal{L}}_{\mathrm{ori}}^{\mathrm{SSIM}}$
  新数据：${\mathcal{L}}_{\mathrm{novel}}(\varphi )={\lambda }_1{\mathcal{L}}_{\mathrm{novel}}^{\mathrm{RGB}}+{\lambda }_3{\mathcal{L}}_{\mathrm{novel}}^{\mathrm{SSIM}}$
  联合训练：$\mathcal{L}(\varphi )={\mathcal{L}}_{\mathrm{ori}}+{\mathcal{L}}_{\mathrm{novel}}.$