Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.00707

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.00707 (cs)
[提交于 2025年7月1日 ]

标题: BEV-VAE:用于自动驾驶的多视角图像生成与空间一致性

标题: BEV-VAE: Multi-view Image Generation with Spatial Consistency for Autonomous Driving

Authors:Zeming Chen, Hang Zhao
摘要: 多视角图像生成在自动驾驶中需要跨相机视角的一致性3D场景理解。 大多数现有方法将此问题视为2D图像集生成任务,缺乏显式的3D建模。 然而,我们认为结构化表示对于场景生成至关重要,尤其是在自动驾驶应用中。 本文提出了BEV-VAE,用于一致且可控的视角合成。 BEV-VAE首先训练一个多视角图像变分自编码器,以获得紧凑且统一的BEV潜在空间,然后使用潜在扩散变换器生成场景。 给定相机配置,BEV-VAE支持任意视角生成,并且可选地生成3D布局。 在nuScenes和Argoverse 2(AV2)上的实验表明,在3D一致重建和生成方面表现出色。 代码可在以下地址获取:https://github.com/Czm369/bev-vae.
摘要: Multi-view image generation in autonomous driving demands consistent 3D scene understanding across camera views. Most existing methods treat this problem as a 2D image set generation task, lacking explicit 3D modeling. However, we argue that a structured representation is crucial for scene generation, especially for autonomous driving applications. This paper proposes BEV-VAE for consistent and controllable view synthesis. BEV-VAE first trains a multi-view image variational autoencoder for a compact and unified BEV latent space and then generates the scene with a latent diffusion transformer. BEV-VAE supports arbitrary view generation given camera configurations, and optionally 3D layouts. Experiments on nuScenes and Argoverse 2 (AV2) show strong performance in both 3D consistent reconstruction and generation. The code is available at: https://github.com/Czm369/bev-vae.
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2507.00707 [cs.CV]
  (或者 arXiv:2507.00707v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.00707
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Zeming Chen [查看电子邮件]
[v1] 星期二, 2025 年 7 月 1 日 12:10:11 UTC (41,435 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号