<mark id="oztn4"></mark>
0
| 本文作者： 陳淑瑜 | 2026-06-01 14:43 | 專題：CVPR 計算機視覺與模式識別會議 |
來源：公眾號“Hyman的雜貨鋪”
原文鏈接：https://mp.weixin.qq.com/s/LU5ldsQhD0EcIcOy0ynOtw
街上每天都有海量行車記錄儀、手機拍攝、 ADAS 車輛視頻。里面藏著很多自動駕駛系統(tǒng)最想要的東西：事故前幾秒、夜間低能見度、奇怪并線、突發(fā)施工、行人橫穿、車輛擦碰。這些場景真實發(fā)生過，物理過程也可信。
難點在另一個地方：自動駕駛系統(tǒng)不能直接吃這些視頻。
一段普通行車記錄儀視頻通常只有一個前視單目視角，沒有車輛頂部多路相機，沒有環(huán)視覆蓋，沒有 LiDAR 點云，也沒有目標(biāo)車隊對應(yīng)的傳感器標(biāo)定。對一套依賴多相機和 LiDAR 的 ADS 來說，它像一段“看得見但用不上”的素材。
Sensor2Sensor 把問題改成了傳感器轉(zhuǎn)換：輸入是野外來源的單目駕駛視頻，輸出是目標(biāo)自動駕駛平臺格式下的多視角相機畫面和 LiDAR 點云。它的核心動作，是把真實視頻重新投到目標(biāo)車的傳感器坐標(biāo)系里，讓一段外部單目視頻變成內(nèi)部系統(tǒng)能讀取的多傳感器日志。
自動駕駛數(shù)據(jù)一直有兩個互相拉扯的目標(biāo)。
一邊是自有車隊采集的數(shù)據(jù)。它質(zhì)量高，傳感器完整，有精確標(biāo)定，能直接進入訓(xùn)練、驗證、仿真流程。但它貴，覆蓋有限，尤其是長尾事件很難靠車隊自然“等”出來。
另一邊是開放世界里的第三方視頻。規(guī)模極大，內(nèi)容豐富，而且天然偏向長尾，因為日常平穩(wěn)駕駛不會被頻繁上傳，異常事件反而更容易被記錄下來。但這類視頻缺少結(jié)構(gòu)化傳感器信息，很難被自動駕駛系統(tǒng)當(dāng)作正式驗證數(shù)據(jù)。
論文把這個矛盾概括為 embodiment gap ，也就是“載體差異”。同一個真實世界事件，發(fā)生在某個攝像頭視角里；而你的 ADS 需要的是另一輛車、另一套相機、另一套 LiDAR 、另一組標(biāo)定下的傳感器觀測。這類差異遠(yuǎn)遠(yuǎn)超過風(fēng)格遷移，同時包含視角、幾何、模態(tài)和時間一致性。
我的理解是， Sensor2Sensor 的價值落在一個非常具體的工程瓶頸上：怎么把外部真實長尾視頻變成內(nèi)部可消費的 AV log 。
最大的問題是沒有配對數(shù)據(jù)。
如果要訓(xùn)練一個模型，把“行車記錄儀視頻”變成“目標(biāo)自動駕駛?cè)罩尽保硐胗?xùn)練集應(yīng)該長這樣：同一時刻、同一場景，既有第三方行車記錄儀視角，又有目標(biāo)自動駕駛車的 8 路相機和 LiDAR 。現(xiàn)實中這種配對幾乎不存在。
論文的做法很工程：從已有 AV logs 出發(fā)，先用 4D Gaussian Splatting 重建動態(tài)駕駛場景，再從這個重建場景里渲染出各種“模擬第三方攝像頭”。這樣就得到一對訓(xùn)練樣本：模擬行車記錄儀視角作為輸入，原始 AV 多傳感器日志作為監(jiān)督輸出。
這一步里， 4DGS 更像一個幾何老師：它負(fù)責(zé)把已有多相機和 LiDAR 觀測整理成可重渲染的 4D 場景，為后續(xù)模型提供時間同步、空間對齊的訓(xùn)練對。
論文使用約 10 萬個 10 秒駕駛片段做 4DGS 重建。每個片段包含 360 度多視角相機數(shù)據(jù)和 LiDAR 數(shù)據(jù)， LiDAR 可用于初始化和約束 3D Gaussian 的幾何。動態(tài)物體會通過規(guī)范物體模型做累積，以提升車輛、行人等移動對象的覆蓋。
隨后，系統(tǒng)采樣第三方攝像頭的內(nèi)參和外參。
補充材料里提到，轎車場景下攝像頭高度會在 1.1 到 1.3 米附近采樣，前向平移在 2.0 到 2.5 米區(qū)間內(nèi)變化，焦距還會加入約 5% 的均勻擾動。這些細(xì)節(jié)讓“合成第三方攝像頭”具備真實安裝和鏡頭差異，而非簡單換一個視角。
Sensor2Sensor 的生成模型基于 Latent Diffusion 。它要同時輸出兩類東西：目標(biāo)車輛的多視角相機圖像，以及同一時刻的 LiDAR 點云。
論文把相機和 LiDAR 分開編碼，再在擴散 U-Net 內(nèi)部做跨視角、跨傳感器融合。
相機分支繼承了多視角擴散模型的思路。它學(xué)習(xí)的是所有目標(biāo)視角的聯(lián)合分布，而非逐個孤立生成每個相機。為了讓 8 路相機之間保持一致，模型把普通 2D attention 換成 3D attention ：既在空間維度上看圖像內(nèi)容，也在視角維度上交換信息。
相機位姿通過 raymap 注入。 Raymap 可以理解為每個像素對應(yīng)的一條 3D 射線，包含射線起點和方向。模型看到的不只是“生成一張圖”，還知道這張圖對應(yīng)車輛上哪個相機、朝哪里看、內(nèi)外參是什么。
第三方 dashcam 輸入會作為第 9 個視角加入模型。它的 latent 、 raymap 和二值 mask 會一起拼到視角維度里。這個 mask 告訴模型：這一視角是已知條件，不參與噪聲還原；另外 8 個目標(biāo)視角才是要生成的結(jié)果。
這會影響模型理解輸入的方式。通道拼接容易把 dashcam 壓成普通特征圖；視角拼接則明確告訴模型：這是一臺真實存在的已知相機，可以通過跨視角注意力與目標(biāo)相機互動。
LiDAR 點云沒有直接作為無序點集生成，而是轉(zhuǎn)成 range-view spin image 。論文使用一個形狀為高度、寬度、通道的張量表示 LiDAR ，其中 4 個通道分別是：距離、反射強度、 elongation 和有效性 mask 。
距離會被截斷到 150 米并線性歸一化到 0 到 1 ，強度和 elongation 也做歸一化。這樣 LiDAR 可以更自然地進入 2D 生成模型。
LiDAR 分支有獨立 VAE 。編碼器和解碼器都是卷積結(jié)構(gòu)，訓(xùn)練目標(biāo)包括距離、 elongation 、強度的 L1 重建，有效性 mask 的二元交叉熵，以及法線、 elongation 、強度、有效性上的 LPIPS 感知損失，再加 KL 正則。這里不必糾結(jié)每個損失項的公式，核心意思是：模型既要還原數(shù)值，也要讓點云轉(zhuǎn)換成圖像表示后在結(jié)構(gòu)和感知上更接近真實 LiDAR 。
相機和 LiDAR 分支如果完全分開訓(xùn)練，很容易出現(xiàn)圖像里有車、點云里沒車，或者點云障礙物位置和圖像對不上。論文在每個 U-Net block 里加入 cross-sensor attention 。
做法是把相機特征 token 和 LiDAR 特征 token 拉平后拼到同一個序列里，再做 self-attention 。這樣圖像和 LiDAR 的特征能在去噪過程中互相引用。對自動駕駛來說，這一步比單純提升視覺效果更有意義，因為下游感知和仿真系統(tǒng)需要跨模態(tài)一致的世界，而非兩份各自看起來不錯的數(shù)據(jù)。
單幀能生成還不夠。真實 driving log 是一段連續(xù)傳感器序列。
論文把模型擴展為自回歸視頻生成：當(dāng)前時刻的第三方視頻幀，加上上一時刻自己生成的相機和 LiDAR ，一起作為條件，生成當(dāng)前時刻的 8 路相機和 LiDAR 。
問題也隨之出現(xiàn)：訓(xùn)練時模型常常看到真實上一幀，推理時卻只能看到自己上一幀生成的結(jié)果。小錯誤會沿時間累積，最后變成閃爍、漂移、幾何錯位。
論文借用了 DAgger 思路來縮小訓(xùn)練和推理差異。訓(xùn)練流程分為四步：
補充材料給出的實現(xiàn)細(xì)節(jié)是：訓(xùn)練使用 128 個 TPU ， AdamW 優(yōu)化器，學(xué)習(xí)率 5e-5 ，全局梯度裁剪為 1.0 ， EMA 衰減為 0.999 。三個主要階段分別訓(xùn)練 8 萬、 4 萬和 2 萬步，模型參數(shù)規(guī)模約 2.5 億。
因為“單目第三方視頻到完整 AV sensor suite”這個任務(wù)此前沒有標(biāo)準(zhǔn)數(shù)據(jù)集，論文自建了兩個評測部分。
第一部分是 1000 段配對的 Fixed-Camera-to-AV log ，每段 3 秒。輸入相機固定在自動駕駛車前左保險杠附近，目標(biāo)輸出是車頂 8 路環(huán)視相機和 LiDAR 。因為這一路輸入與目標(biāo)傳感器同步且標(biāo)定已知，所以能做 PSNR 、 SSIM 、 LPIPS 、 FID 、 FVD 、 Chamfer Distance 等定量比較。
第二部分是 in-the-wild 數(shù)據(jù)，包括手工采集的真實 dashcam 、互聯(lián)網(wǎng)上的駕駛視頻、手機錄制視頻和其他 ADAS 來源，用于觀察模型面對未知相機、未知天氣、未知場景內(nèi)容時的泛化能力。
基線方面，論文改造了幾類方法： VGGT 和 π3 代表前饋 3D 重建路線； X-Drive 代表圖像和 LiDAR 聯(lián)合生成路線； CAT3D 相關(guān)變體用于比較輸入條件的通道拼接和視角拼接。
在 Fixed-Camera-to-AV 多視角圖像生成任務(wù)上， Sensor2Sensor 的 FID 為 6.47 ， LPIPS 為 0.316 ，優(yōu)于 VGGT 、π3 、 X-Drive 和不使用視角拼接的變體。
視覺上， Sensor2Sensor 生成的多視角畫面更清晰，對車輛形狀、場景結(jié)構(gòu)、被遮擋區(qū)域補全更穩(wěn)。重建類模型在未觀察區(qū)域容易出現(xiàn)空洞或幾何變形；生成類基線雖然圖像更像真實，但多視角結(jié)構(gòu)和對象一致性仍弱一些。
補充材料進一步展示了不同車輛位置和顏色下的圖像生成。可以看到，模型并非只把前視輸入復(fù)制到周圍視角，而是在推斷車輛周邊結(jié)構(gòu)、目標(biāo)車身形狀和遮擋區(qū)域。
視頻生成任務(wù)只比較前視生成視頻，因為 VGGT 和 π3 在其他視角會出現(xiàn)大面積空洞。 Sensor2Sensor 的 FVD 為 278.12 ，不使用視角拼接的變體是 293.73 ，π3 和 VGGT 分別達(dá)到 2007.35 和 2373.15 。
對自動駕駛?cè)罩緛碚f，漂亮的單幀還不夠。連續(xù) 3 秒、 10 秒甚至更長時間里，同一輛車不能忽大忽小，路沿和車道線也不能來回漂。自動駕駛感知模型通常會利用連續(xù)幀做跟蹤、速度估計、軌跡預(yù)測；一旦合成視頻里同一輛車每隔幾幀變形一次，或者路邊靜態(tài)物體抖動，下游驗證就會失真。
論文的消融也顯示， DAgger 微調(diào)把前視 FVD 從 288.90 降到 278.12 ， FID 從 24.65 降到 21.54 。提升幅度不夸張，但方向很明確：讓模型提前適應(yīng)自己的生成歷史，會讓 rollout 更穩(wěn)。
Sensor2Sensor 的一個亮點是它同時生成 LiDAR ，圖像和點云共同構(gòu)成目標(biāo)日志。
LiDAR 定量指標(biāo)使用 Chamfer Distance 。相比 X-Drive 的 10.02 ， Sensor2Sensor 達(dá)到 8.68 ，改善 13.37%。視覺上，它對近處車輛、卡車輪廓、道路周邊靜態(tài)結(jié)構(gòu)的點云更干凈，噪聲更少，強度渲染也更合理。
更值得看的是圖像和 LiDAR 的一致性。論文展示了圖像里出現(xiàn)的標(biāo)志牌、道路標(biāo)線、車輛，在 LiDAR 結(jié)果里也能對應(yīng)到合理的空間結(jié)構(gòu)。這對仿真環(huán)境很關(guān)鍵，因為下游模型不會只看一張 RGB 圖，它會把多傳感器信息融合起來判斷世界。
補充材料里的 LiDAR 樣例更密集，能看到模型在多個輸入場景下都傾向于生成更清晰的幾何輪廓。
Sensor2Sensor 最核心的目標(biāo)是利用野外數(shù)據(jù)，所以論文專門測試了互聯(lián)網(wǎng)駕駛視頻、真實 dashcam 、手機錄像和其他 ADAS 片段。場景包含夜間低可見度、近碰撞、事故和 active incidents 。
人類評測由 26 名參與者完成，他們對 40 組、每組三個方法的生成結(jié)果做排序，評價維度是真實感和與輸入對齊程度。
LiDAR 的偏好率低于圖像，但仍明顯領(lǐng)先。我的判斷是， LiDAR 偏好率低一些反而更接近真實難度：單目視頻只給了前方紋理和少量運動線索，模型要補的是車輛側(cè)后方、遮擋區(qū)域和深度結(jié)構(gòu)，這已經(jīng)越過了普通視頻翻譯任務(wù)的邊界。模型能做到多數(shù)情況下更真實、更對齊，說明 4DGS 配對數(shù)據(jù)和跨傳感器注意力確實在發(fā)揮作用。
論文對架構(gòu)做了兩組關(guān)鍵消融。
第一組看輸入條件怎么拼。通道拼接是把 dashcam 信息當(dāng)作額外特征通道；視角拼接是把 dashcam 當(dāng)作第 9 個已知視角。圖像生成中， CAT3D + VC 的 FID 為 6.20 ，優(yōu)于 CAT3D + CC 的 6.63 ；加入 LiDAR 后，完整模型 FID 為 6.47 ， LPIPS 為 0.316 ，也優(yōu)于 CC + LiDAR 變體。
把這組消融翻成工程語言，重點其實有兩個：
第二組是 DAgger 。沒有 DAgger 時，前視 FVD 為 288.90 ；加入 DAgger 后降到 278.12 。這個提升不是“換模型”的效果，更像是把推理時會遇到的錯誤上下文提前喂給模型，讓它學(xué)會糾偏。
論文還做了一個很實用的檢查：拿在真實數(shù)據(jù)上訓(xùn)練的感知模型，直接跑在生成數(shù)據(jù)上，不做 finetune 。
LiDAR 檢測結(jié)果顯示，車輛檢測模型在真實和生成 LiDAR 上表現(xiàn)可比；圖像分割中， Panoptic-DeepLab 在真實圖像和生成圖像上也能輸出一致預(yù)測。這個實驗給出的結(jié)論應(yīng)該保守理解：生成數(shù)據(jù)還不能替代真實采集，但它已經(jīng)接近到足以被現(xiàn)有感知模型讀取和處理。
論文也承認(rèn)了一個重要限制：長時間視頻仍會漂移。
當(dāng)前模型把強單幀生成能力擴展到自回歸視頻。 DAgger 能緩解短期誤差累積，但超過 30 秒的長序列里，小的 LiDAR 幾何漂移、視覺不一致、傳感器標(biāo)定感漂移仍可能逐步放大。
論文提出兩個方向：
我會再補一個工程層面的疑問：如果這些生成日志用于安全驗證，如何定義“生成結(jié)果足夠可信”？ FID 、 FVD 、人類偏好、 Chamfer Distance 都有價值，但它們還不能直接回答“某個碰撞場景轉(zhuǎn)換后的 LiDAR 是否足以支撐安全結(jié)論”。后續(xù)可能需要任務(wù)級評測，比如檢測、預(yù)測、規(guī)劃模塊在真實日志和轉(zhuǎn)換日志上的行為一致性。
Sensor2Sensor 最有意思的地方，是它把生成模型放在數(shù)據(jù)基礎(chǔ)設(shè)施的位置上。
過去很多自動駕駛生成模型關(guān)注“從文本生成駕駛場景”“預(yù)測未來幀”“構(gòu)建可交互世界模型”。 Sensor2Sensor 的問題更窄，但工程價值很高：外部真實視頻已經(jīng)存在，怎么把它轉(zhuǎn)接到目標(biāo)車隊的傳感器體系里。
如果這條路線繼續(xù)成熟，自動駕駛長尾數(shù)據(jù)的獲取方式可能會改變。車隊不一定只能等待自家車輛遇到稀有事件，也可以從互聯(lián)網(wǎng)上、合作伙伴 dashcam 、手機記錄中挖掘真實片段，再轉(zhuǎn)換成內(nèi)部仿真和驗證可用的日志格式。
當(dāng)然，生成數(shù)據(jù)不能直接等同于真實采集。它更像一個放大器：把真實世界事件的可用范圍擴大，但每一次轉(zhuǎn)換都需要被校驗。尤其是涉及安全決策時，轉(zhuǎn)換模型本身也必須進入驗證鏈路。
從這個角度看， Sensor2Sensor 給出的是一個方向：自動駕駛數(shù)據(jù)可以跳出“采集來源”的劃分方式，按“目標(biāo)傳感器形態(tài)”重新映射。
? 論文鏈接
https://arxiv.org/abs/2605.22809
專題
本專題其他文章
