SplatLabel：通过 4D 高斯泼溅进行伪标记

虽然 2D 视觉基础模型提供了自动化 3D 语义伪标签的途径，但将这些先验转换为强大的 3D 表示通常需要复杂的启发式或多模型集成。我们引入了 SplatLabel，这是一种自动化管道，利用 4D 高斯表示来提取具有预测置信度的 LiDAR 分割，以及任意体素分辨率的语义占用网格。 SplatLabel 的核心是通过一个显式的时间流形来处理动态环境，该流形对各个 3D 图元的轨迹和寿命进行建模。这使得系统能够准确跟踪移动的演员并严格定义对象何时出现和消失，完全消除了对预先注释的 3D 边界框的需要。为了强有力地支持这种动态跟踪，该表示以结构和语义先验为基础：我们通过虚拟深度图集成 360 度 LiDAR 来引导未观察区域中的场景几何形状，而不是依赖于特定领域的提示工程，而是直接从 2D 模型中提取连续的软概率，以内在地解决时间和空间上的语义模糊性。最后，为了准确反映现实世界中精度和召回率之间的权衡，我们将伪标签评估重新定义为使用广义风险召回指标的选择性分类任务。 SemanticKITTI 上的实验表明，SplatLabel 在多个召回级别上始终优于最先进的基线，为 3D LiDAR 分割和占用预测建立了高度稳健的框架。