GSRAIN: Physically Calibrated High-/Low-Frequency Rainfall Synthesis for 3D Gaussian Driving Scenes

📄 arXiv: 2608.02177v1 📥 PDF

作者: Fanyu Wang, Longgao Zhang, Junyi Chen

分类: cs.CV

发布日期: 2026-08-03

💡 一句话要点

提出GSRAIN以解决自主驾驶场景中降雨模拟的物理可控性问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 降雨模拟 自主驾驶 3D高斯场景 物理可控性 生成对抗网络 闭环测试 场景依赖性 雨天外观生成

📋 核心要点

  1. 现有的降雨模拟方法在物理可控性和多视图一致性方面存在显著不足，限制了其在自主驾驶中的应用。
  2. GSRAIN通过结合高频雨滴模型和几何感知的低频雨天外观生成方法，提供了一种新的降雨合成方案。
  3. 实验结果显示，GSRAIN在FID指标上优于现有方法，并且在对象检测和闭环驾驶实验中表现出显著的性能提升。

📝 摘要（中文）

现有的自主驾驶降雨模拟方法在物理可控性和多视图一致性方面存在局限。本文提出GSRAIN，一种针对3D高斯点云场景的高/低频降雨合成方法。GSRAIN通过测量的降雨数据构建高频雨滴模型，并利用几何感知的单步扩散模型生成低频雨天外观。两者在统一的3D高斯场景中融合，实现了降雨强度在0-13 mm/h范围内的控制。该方法在Fréchet Inception Distance (FID)上达到了149.09，优于CycleGAN-Turbo和WeatherEdit。对象检测和闭环驾驶实验进一步表明，生成的场景在可控降雨下暴露了评估算法的场景依赖性性能变化，表明GSRAIN为构建物理可控、可重复和闭环兼容的雨天测试场景提供了有效的方法。

🔬 方法详解

问题定义：现有的降雨模拟方法缺乏物理可控性和多视图一致性，导致在自主驾驶测试中难以生成真实的雨天场景。

核心思路：GSRAIN通过构建高频雨滴模型和低频雨天外观生成模型，结合两者的效果，在统一的3D高斯场景中实现降雨强度的精确控制。

技术框架：GSRAIN的整体架构包括高频雨滴模型的构建、低频雨天外观生成的几何感知扩散模型，以及将两者融合的3D高斯场景生成模块。

关键创新：GSRAIN的主要创新在于其物理可控的降雨合成方法，能够在不同强度下生成一致的雨天效果，显著提升了模拟的真实性和可重复性。

关键设计：在技术细节上，GSRAIN采用了基于测量数据的高频雨滴模型，并设计了几何感知的损失函数，以确保生成的雨天外观与真实场景的高度一致性。通过优化网络结构，提升了生成效果的质量与效率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

GSRAIN在Fréchet Inception Distance (FID)上达到了149.09，显著优于CycleGAN-Turbo的155.71和WeatherEdit的157.94。此外，闭环驾驶实验表明，生成的场景在可控降雨下展现了算法性能的场景依赖性变化，验证了其有效性。

🎯 应用场景

GSRAIN的研究成果在自动驾驶领域具有广泛的应用潜力，尤其是在雨天驾驶测试和场景生成方面。通过提供可控的降雨模拟，能够帮助开发者在不同气候条件下评估和优化自动驾驶算法的性能，提升安全性与可靠性。未来，该方法还可以扩展到其他天气条件的模拟，为智能交通系统的研究提供支持。

📄 摘要（原文）

Existing rainfall simulation methods for autonomous driving remain limited in physical controllability and multi-view consistency. This paper presents GSRAIN, a high-/low-frequency rainfall synthesis method for 3D Gaussian Splatting (3DGS) driving scenes. GSRAIN constructs a high-frequency raindrop model from measured rainfall data and generates low-frequency rainy appearance using a geometry-aware single-step diffusion model. The two effects are then fused in a unified 3DGS scene, enabling rainfall-intensity control over the range of 0--13~mm/h. The proposed method achieves a Fréchet Inception Distance (FID) of 149.09, outperforming CycleGAN-Turbo (155.71) and WeatherEdit (157.94). Object-detection and closed-loop driving experiments further show that the generated scenes expose scene-dependent performance changes of the evaluated algorithms under controllable rainfall. These results indicate that GSRAIN provides an effective approach for constructing physically controllable, repeatable, and closed-loop-compatible rainy-weather test scenes for autonomous driving.