核心观点 - WorldSplat是一种前馈式4D生成框架，将生成式扩散与显式3D重建相融合，用于自动驾驶场景合成[6] - 该方法通过4D感知潜在扩散模型生成像素对齐的4D高斯分布，再通过增强型扩散模型优化新视角视频，实现高保真、具备时空一致性的多轨迹驾驶视频生成[4][6] - 在基准数据集上的实验表明，WorldSplat在FVDmulti指标上达到16.57，FIDmulti指标达到4.14，显著优于现有方法[31] 技术框架 - 框架包含三个关键模块：4D感知潜在扩散模型、潜在高斯解码器和增强型扩散模型[10] - 4D感知潜在扩散模型以边界框、道路草图、文本描述及自车轨迹为条件，生成多模态潜变量[14][16] - 潜在高斯解码器从潜变量中预测像素对齐的3D高斯分布，并聚合为4D高斯表示[20][22] - 增强型扩散模型对基于高斯分布渲染的视频进行优化，提升细节真实感和时间连贯性[24][27] 算法创新 - 提出动态感知高斯解码器，能直接从多模态潜变量推断精确的3D高斯分布，支持多达48个输入视角[12][21] - 采用静-动态分解方案，将高斯分布划分为静态背景与动态目标，实现4D场景重建[20][22] - 引入混合条件策略，融合退化视角与高质量视角，提升生成保真度与可控性[27] 性能表现 - 在主实验对比中，WorldSplat在FVDmulti指标上达到16.57，较DriveDreamer-2的55.70提升约70%[31] - 在新视角合成任务中，横向偏移±4m时FID T指标为13.38，显著优于Street Gaussian的67.44和OmniRe的67.36[32] - 在下游任务评估中，方法在mIoU指标上达到38.49，较MagicDrive-V2的20.40提升约89%[35] 应用价值 - 支持丰富条件输入包括道路草图、文本描述、动态目标放置与自车轨迹，成为高可控性驾驶模拟器[6] - 生成的合成数据能提升下游感知模型性能，使mAP指标从34.5提升至38.5，相对提升11.6%[35] - 框架无需逐场景优化，可直接沿任意用户定义相机轨迹渲染新视角视频，支持灵活闭环评估[6][23]