为弥补驾驶仿真视频真实感不足对感知模型真实场景泛化的制约,武汉大学团队提出 NeuralSRender:在预训练视频扩散模型上用轻量投影模块注入 G-buffer 的几何与材质先验,配合 LoRA 微调,仅引入 1.45% 参数开销。训练分两阶段:先在带精确 G-buffer 的合成视频上联合训练投影模块与 LoRA,再冻结二者、仅训新增 LoRA 在真实视频上适配外观,以避开逆渲染噪声,文本提示可控制天气与时段。配套 GenReal 数据集含 CitySample、CARLA 合成子集与 OpenDV 真实子集,真实 G-buffer 由 DiffusionRenderer 估计。对比 DiffusionRenderer、TC-Light 与 Cosmos,本方法 FVD 与 VLM 偏好评分最优、几何一致性相当,消融显示完整 G-buffer 条件与冻结式两阶段策略优于单信号、单阶段变体。作者报告:以翻译视频替代原始 CARLA 渲染训练感知模型,nuImages 检测 AP50 从 35.1 升至 40.6,Cityscapes 分割 mIoU 从 32.4 升至 40.8,代码、数据与权重已在 GitHub 开源。
为什么重要 自动驾驶仿真数据可少费人工标注,直接改善感知模型真实场景泛化;方法可用消费级 GPU 训练,代码权重已开源。适合 自动驾驶数据闭环、仿真数据增强、视频生成与感知训练交叉的工程师与研究员。
注释 · FVD 越低代表生成分布越接近真实参考集。出自 表III
City 训练
832×480 / 81帧
City 测试
1280×704 / 81帧
CARLA 测试
1280×704 / 81帧
DV 训练
832×480 / 81帧
参考集
1280×720 / 81帧
注释 · 每个样本含 81 帧 RGB 与 5 种 术语解释记录几何与材质属性的图像序列,含 basecolor、depth、normal、metallic、roughness 五种。。出自 表I



Ours 数据训练感知模型,AP50 35.1→40.6,mIoU 32.4→40.8。
| 方法 | AP | AP50 | mIoU | mAcc |
|---|---|---|---|---|
| (a) Render | 16.7 | 35.1 | 32.4 | 42.3 |
| (b) Basecolor Only | 18.8 | 38.1 | 37.6 | 45.6 |
| (c) Depth Only | 14.7 | 30.9 | 37.4 | 47.3 |
| (d) Edge Only | 17.1 | 37.4 | 35.2 | 45.9 |
| (e) Ours | 19.4 | 40.6 | 40.8 | 50.2 |
注释 · 所有设置均无目标域微调,直接评估真实数据。出自 表IV