NVIDIA提出Foundation4D,统一前馈模型从多相机驾驶视频同时估计几何、3D检测、语义占用与高斯重建,服务自动驾驶感知与仿真重建。共享DINOv2主干以分解时空注意力跨相机和时间融合特征,任务头分别恢复相机到车体标定、自车轨迹、度量深度、目标与占用并预测3D高斯;长视频经位姿图优化对齐窗口轨迹,再用离线跟踪拼接目标航迹。其标注管线发布PAI–Foundation4D基准,覆盖1,253段驾驶片段的稠密深度与语义占用标签。作者报告微调后在nuScenes检测mAP达60.9、在OpenOccupancy占用mIoU达18.1,均为对比方法最高,并在Waymo与nuScenes取得最低深度AbsRel;高斯重建整体PSNR达23.94 dB,超过需真值位姿的Instant NuRec。预测几何与航迹还作为无激光雷达NuRec先验加速重建。局限是多任务联合并非始终获益,加入检测后占用mIoU反而下降,远距离、边界与稀有类别误差仍较大。
为什么重要 统一几何、检测、占用与高斯重建,预测位姿/轨迹还能当 NuRec 先验,适合同时做感知与仿真重建的团队适合 同时做自动驾驶感知与场景重建、仿真数据闭环的工程团队
注释 · 均为相机-only 官方协议下的 nuScenes mAP。出自 表7
轨迹 ATE
渲染 PSNR
高 Instant
SSIM 提升
含动态区域整体
16.0→3.7 h/clip
注释 · 各自独立指标,分别来自



Foundation4D 在 nuScenes 检测 60.9 mAP、OpenOccupancy 27.4 IoU 双双登顶。
| 基准与任务 | 方法 | 指标 | 结果 |
|---|---|---|---|
| nuScenes 3D检测 | Foundation4D | mAP | 60.9 |
| nuScenes 3D检测 | Foundation4D | NDS | 66.5 |
| OpenOccupancy 占用 | Foundation4D | IoU / mIoU | 27.4 / 18.1 |
| 深度 AbsRel | 0.079 |
注释 · 官方协议评测,最优结果加粗。出自 §7.2.1 表7 / §7.3.1 表12