English translation pending — this page shows the Chinese original.
一句话结论
CVPR 2026以含语言特征的已构建驾驶场景高斯采样给Qwen3理解任务,再把语言知识与稀疏图像/深度条件用于生成;平均理解及近距离FID有改进,规划/描述及大平移视频指标存在反证(主文pp.10658–10663 Tables1–4,补充§B–E)。
输入、建场与两端机制
nuScenes六相机RGB、LiDAR累积点、相机/文字输入;每场先建3DGS并筛低质量场,SAM/CLIP生成512维语言特征,用逐场AE压到3维,再按LangSplat学语言高斯。位置和高斯属性投影到4096维token,场景QA用uniform+top-k选4096粒,定位QA增加query相似性筛选;Qwen3-8B先5k对齐、再30k LoRA。生成端以LLM高层文本和点云投影的低层条件,用冻结VAE、UNet流匹配产生RGB-D空间移位或未来视频;训练由224×400逐步升至424×800(主文§3–4、补充§B/C)。LiDAR、分割/CLIP、逐场训练与多个基础模型是进入推断前的重要投入。
主表与反证
NuInteract约150万多视QA标注;作者由nuScenes建800场高斯并过滤模糊、低重叠/PSNR场(补充§B p.1)。p.10661 Table1作者平均59.23对DriveMonkey52.12,2D定位mAP34.95对19.47;然而描述CIDEr78.72对79.79、规划准确80.95对82.64,3D VG Pr50.66对51.90。Table2同模型去高斯均值53.32,加随机高斯55.21,uniform+top-k58.93,另加相似性59.23;最后增量.30。主文Table1 CIDEr78.72与Table2完整78.82不一致,保留独立表值。nuScenes平移±1m作者FID8.36/FVD44.50优于DiST-S10.12/45.14;±4m作者18.81/116.40弱于DiST-S17.57/105.29(p.10663 Table3)。补充Table3在30场子集看世界知识+高斯±4m FVD150.05,比无两条件137.31更差,分母和主表不同。没有相机闭环安全/真实几何验证。
成本与证据边界
理解端16×A100,生成端多分辨率/多阶段及联合训练;从每场LiDAR建场、SAM/CLIP/AE、LLM、生成的总卡时、峰显存与端到端延迟未报告(主文§4.2、补充§B/C)。补充p.4 Table1采样token数量512方案平均58.26,高于普通4096方案56.92但交叉注意配置不同。公开仓库有代码目录,根目录无LICENSE,复用许可待核;无GPU复现。不同任务输入与评测指标应分别与LangSplat:高斯语言特征与三级语义查询、Diff4Splat:Repurposing Video Diffusion Models for Dynamic Scene Generation对照。详审raw/ingest/2026-09-25-gaussiandwm/analysis.md;3D Gaussian Splatting: Representation, Optimization, Geometry, and Dynamic Scenes。