SimGen: 基于模拟器条件的驾驶场景生成
TLDR
该论文围绕“SimGen: Simulator-conditioned Driving Scene Generation”研究世界模型相关问题。
评分理由
Fallback reasoning generated from available title and abstract metadata: Controllable synthetic data generation can substantially lower the annotation cost of training data. Prior works use diffusion models to generate driving images conditioned on the 3D object layout. However, those models are trained on small-scale datasets like nuScenes,...
Read-first 评分解释
综合优先阅读分 53.8，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。
研究版图角色
复现锚点
排序敏感性
稳定性：volatile；排名波动范围：488。
深度分析
创新点
- 基于模拟器条件的场景生成框架，混合模拟器和真实世界的数据
- 新颖的级联扩散流程，用于解决模拟到真实差距和多条件冲突
- DIVA数据集：来自全球73个地点的147.5小时真实驾驶视频和来自MetaDrive的模拟数据
方法
SimGen使用以3D物体布局和文本提示为条件的级联扩散流程，在真实驾驶视频（DIVA）和来自MetaDrive的模拟数据的混合数据上进行训练。级联设计处理了模拟到真实的差距，并解决了多个条件信号之间的冲突，从而实现了对多样化驾驶场景的可控生成。
关键结果
SimGen在保持可控性的同时实现了卓越的生成质量和多样性，并通过合成数据增强提高了BEV检测和分割任务的性能。它还展示了生成安全关键驾驶数据的能力。