NRSeg：基于驾驶世界模型的BEV语义分割噪声鲁棒学习

arXiv 25.7 2025 59.8 method, application

TLDR

NRSeg提出利用驾驶世界模型合成数据的BEV语义分割噪声鲁棒学习框架

评分理由

The paper addresses a practical issue (generation noise in synthetic data) and introduces novel components (PGCM, BiDPP, HLSE). However, it is limited to BEV segmentation and does not explicitly validate on real-world benchmarks in the abstract.

Read-first 评分解释

综合优先阅读分 59.8，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 25。

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：有；数据：无；命中信号：代码、GitHub

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：实验、指标、结果

主题相关性 42%

35.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

研究版图角色

前沿论文方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：599。

关键词评分

world model

generative world model

video world model

world simulator

world dynamics prediction

interactive world model

model-based reinforcement learning world model

深度分析

创新点

视角-几何一致性度量（PGCM），用于定量评估生成合成数据的引导能力
双分布并行预测（BiDPP），通过多项分布和狄利克雷分布的并行预测增强模型鲁棒性
分层局部语义排除（HLSE）模块，用于解决BEV语义分割中的非互斥性问题

方法

NRSeg利用驾驶世界模型的合成数据来改进BEV语义分割。它引入了视角-几何一致性度量（PGCM），通过测量视角道路掩码与BEV标签投影之间的对齐程度来评估数据质量。该框架采用双分布并行预测（BiDPP）机制，结合多项分布预测语义和基于狄利克雷的证据学习进行不确定性量化，并配备分层局部语义排除（HLSE）模块来处理分割标签中的非互斥性问题。

关键结果

NRSeg实现了最先进的性能，在无监督和半监督BEV分割任务中分别取得了13.8%和11.4%的mIoU最高提升。

资源

论文代码