DrivingVoxels: Compositional Sparse Voxel Rasterization for Dynamic Driving Scene Reconstruction
作者: Tania Aguirre, Luis Roldão, Moussab Bennehar, Nathan Piasco, Dzmitry Tsishkou, Simone Rossi, Pietro Michiardi
分类: cs.CV
发布日期: 2026-06-22
💡 一句话要点
提出DrivingVoxels以解决动态城市场景重建问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 动态场景重建 稀疏体素 八叉树 激光雷达 计算机视觉 自动驾驶 城市规划
📋 核心要点
- 动态城市场景重建面临的核心问题是现有方法多为静态场景设计，难以处理动态物体和复杂环境。
- 本文提出的DrivingVoxels框架通过联合光栅化多个独立八叉树，解决了动态场景重建中的效率和内存问题。
- 在PandaSet基准测试中，DrivingVoxels在结构指标上优于现有方法，并且训练时间显著缩短，提升了优化效率。
📝 摘要（中文）
动态城市场景的重建面临诸多挑战，主要由于驾驶环境的无限制特性和多个动态物体的存在。目前，现有的稀疏体素方法主要针对静态场景，而基于3D高斯点云的方法虽然高保真，但在动态场景中往往耗时较长，并且在大场景中内存增长不可控。为了解决这些问题，本文提出了DrivingVoxels，一个用于动态驾驶场景的组合稀疏体素渲染框架。该方法在单次渲染过程中联合光栅化来自多个独立八叉树的稀疏体素。每个刚性动态物体通过其局部坐标系定义的八叉树表示，而静态背景则由单独的静态八叉树建模。DrivingVoxels采用完全显式的、无神经网络的表示，并结合激光雷达引导的结构初始化，有效捕捉场景几何。通过在PandaSet基准上的评估，DrivingVoxels在感知指标上表现相当，在NVS和重建的结构指标上表现更佳，同时训练时间较之前的3DGS方法更短。
🔬 方法详解
问题定义：本文旨在解决动态城市场景重建中的效率和内存管理问题。现有的稀疏体素方法多针对静态场景，动态方法如3D高斯点云虽然高保真，但在大场景中表现出时间和内存的不可控增长。
核心思路：DrivingVoxels框架的核心在于通过组合稀疏体素渲染，联合光栅化多个独立的八叉树，分别表示动态物体和静态背景，从而提高渲染效率并降低内存占用。
技术框架：该框架包含多个模块，首先是对动态物体的局部坐标系进行建模，接着通过激光雷达引导的结构初始化来捕捉场景几何，最后在单次渲染过程中完成光栅化。
关键创新：DrivingVoxels的主要创新在于其完全显式的、无神经网络的表示方式，结合激光雷达的结构初始化，使得动态场景的重建既高效又准确，显著区别于传统的3D高斯点云方法。
关键设计：在设计中，采用了独立的八叉树来表示动态和静态物体，优化了光栅化过程，同时通过强大的激光雷达先验来指导场景几何的捕捉，确保了高效的训练和优化流程。
🖼️ 关键图片
📊 实验亮点
在PandaSet基准测试中，DrivingVoxels在感知指标上与现有方法表现相当，但在结构指标上表现更佳，尤其是在NVS和重建任务中，训练时间比传统的3D高斯点云方法缩短了显著的比例，提升了整体优化效率。
🎯 应用场景
DrivingVoxels的研究成果在自动驾驶、城市规划和虚拟现实等领域具有广泛的应用潜力。通过高效重建动态场景，该方法能够为自动驾驶系统提供更准确的环境感知，提升安全性和可靠性。此外，城市规划者可以利用该技术进行更精确的城市模拟与分析，推动智能城市的发展。
📄 摘要（原文）
Reconstructing dynamic urban scenes remains challenging due to the unbounded nature of driving environments and the presence of multiple dynamic objects. Currently, potentially faster sparse voxel methods are mainly designed for static scenarios. On the other hand, dynamic approaches based on 3D Gaussian Splatting, despite their high-fidelity, are often time-consuming for driving scenarios and exhibit uncontrollable memory growth in large scenes. To address these limitations, we present DrivingVoxels, a compositional sparse voxel rendering framework for dynamic driving scenes. Our method jointly rasterizes sparse voxels from multiple independent octrees within a single rendering pass. Each rigid dynamic object is represented by an octree defined in its local coordinate frame, while a separate static octree models the stationary background. DrivingVoxels adopts a fully explicit, neural-free representation together with a LiDAR-guided structural initialization that efficiently captures scene geometry. We evaluate our framework on the PandaSet benchmark, demonstrating that DrivingVoxels performs on par on perceptual metrics and better on structural metrics for NVS and reconstruction while requiring shorter training times than previous 3DGS-base methods to an efficient optimization workflow anchored by a strong LiDAR prior.