في عالم القيادة الذاتية، تُعتبر المواقف الخطرة والتحديات طويلة الأمد من أبرز الأمور التي تتطلب اهتماماً خاصةً في مجال السلامة. ولكن جمع وإعادة إنتاج هذه السيناريوهات بشكل فعّال يمثل تحدياً كبيراً. هنا تظهر أهمية تقنية "Editable 3D Gaussian Splatting" (3DGS) التي تقدم طريقة مبتكرة لإعادة بناء المشاهد الحقيقية أثناء القيادة، مما يسمح بتحرير دقيق للمشاهد.

رغم ذلك، لا تزال الفيديوهات المنقحة بواسطة 3DGS تعاني من مشاكل عديدة، مثل العيوب الفنية في العرض، ضعف عناصر المقدمة، وتباين الإضاءة، بالإضافة إلى الوميض الزمني. تكافح الأساليب الحالية لإعادة الترميم وتوليد الفيديو للحصول على نتائج مرضية، حيث غالباً ما تفشل في إصلاح العيوب الفنية الخاصة بـ3DGS وتعزيز الواقعية البصرية.

لذلك، نقدم لكم "رياليتي بريدج" (RealityBridge)، وهي إطار عمل مبتكر يحافظ على الهيكل ويدرك الأصول في مقاطع الفيديو المحررة بواسطة 3DGS. تستخدم هذه التقنية تحكمات متعددة الطرق، بما في ذلك الفيديوهات المعاد تدويرها، والخرائط الأمامية، والخرائط الحافة، وعلامات الدلالية، بالتعاون مع شبكة "GateNet" الخفيفة لتحسين التخصيص الشرطي عبر الطبقات الأساسية.

كما قمنا بإنشاء بيانات تدريب مستهدفة وقدمنا تدريب فيديوهات طويلة ذاتية الانحدار مع تحسينات على التعلم لتعزيز جودة الترميم والثبات الزمني. أظهرت التجارب الواسعة على مجموعات بيانات القيادة العامة والداخلية أن رياليتي بريدج تتفوق بشكل ملحوظ على الأساليب الحالية من حيث إزالة العيوب، وتوافق الإضاءة، والثبات الزمني على المدى الطويل.

إن تطوير تقنيات مثل رياليتي بريدج يمكن أن يغير تمامًا طريقة تعاملنا مع القيادة الذاتية والأمان على الطرق. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!