車東西（公眾號(hào)：chedongxi）
作者 ｜ 張睿
編輯 ｜ 志豪

理想汽車自動(dòng)駕駛團(tuán)隊(duì)5篇論文被世界頂級(jí)學(xué)術(shù)會(huì)議錄用！包含世界模型、端到端規(guī)劃模型等方面。

車東西6月30日消息，近日，理想汽車宣布其自動(dòng)駕駛團(tuán)隊(duì)有5篇論文中稿ICCV 2025。

▲理想汽車自動(dòng)駕駛研發(fā)副總裁郎咸朋宣布中稿

計(jì)算機(jī)視覺國際大會(huì)（ICCV，International Conference on Computer Vision）是計(jì)算機(jī)領(lǐng)域世界頂級(jí)的學(xué)術(shù)會(huì)議之一，每兩年舉辦一屆，和CVPR、ECCV并稱計(jì)算機(jī)視覺三大頂級(jí)會(huì)議。

而2025年ICCV大會(huì)共收到了11239份有效投稿，為歷史最多，這些投稿經(jīng)過評(píng)審后接受2698篇論文，接受率為24%，由此可以看出理想汽車此次多篇論文中稿ICCV的含金量。

理想汽車CEO李想也在社交媒體上發(fā)文表示：“如果大家對(duì)ICCV論文含金量不太理解，可以類比醫(yī)學(xué)界的《柳葉刀》論文，每一篇都能代表世界級(jí)的‘學(xué)術(shù)金牌’。”

▲理想汽車CEO李想在社交媒體上發(fā)文

此外，李想還提到，除理想汽車自動(dòng)駕駛團(tuán)隊(duì)中稿的5篇論文外，理想汽車基座模型團(tuán)隊(duì)還有3篇論文中稿，一共8篇論文被ICCV 2025錄用。

一、Hierarchy UGP：用于大規(guī)模動(dòng)態(tài)場(chǎng)景重建的層次化統(tǒng)一高斯基元

目前，理想汽車自動(dòng)駕駛團(tuán)隊(duì)中稿的5篇論文中，名為《Hierarchy UGP》的論文已經(jīng)公開，這篇論文的是理想汽車與浙江大學(xué)合作在世界模型方面的進(jìn)展。

▲《Hierarchy UGP》

在署名作者中可以看到，理想汽車智能駕駛高級(jí)算法專家詹錕、理想汽車高級(jí)算法工程師王一達(dá)的名字出現(xiàn)了論文署名中。

論文中表示，近年來可微渲染技術(shù)的進(jìn)步顯著提升了動(dòng)態(tài)街景重建的效果。然而，大規(guī)模場(chǎng)景和動(dòng)態(tài)元素（如車輛和行人）的復(fù)雜性仍是重大挑戰(zhàn)，現(xiàn)有方法通常難以擴(kuò)展到大型場(chǎng)景或準(zhǔn)確建模任意動(dòng)態(tài)。

為解決這些限制，研究者提出Hierarchy UGP，其構(gòu)建了由根層級(jí)、子場(chǎng)景層級(jí)和基元層級(jí)組成的層次結(jié)構(gòu)，并使用在四維空間中定義的統(tǒng)一高斯基元（UGP）作為表示，實(shí)現(xiàn)動(dòng)態(tài)靜態(tài)長達(dá)1km的重建能力。

具體來看，Hierarchy UGP的三層分層結(jié)構(gòu)如下：

1. Root Level（根層）：管理整個(gè)場(chǎng)景的結(jié)構(gòu)，是渲染和優(yōu)化的入口。

2. Sub-scenes Level（子場(chǎng)景層）：將大規(guī)模場(chǎng)景按空間劃分為多個(gè)子場(chǎng)景，分別建模天空、背景、剛體和非剛體對(duì)象。

3. Primitive Level（基元層）：使用定義在四維時(shí)空中的統(tǒng)一高斯基元（UGP）對(duì)每個(gè)元素進(jìn)行建模。

▲Hierarchy UGP采用三層分層

根層級(jí)作為層次結(jié)構(gòu)的入口點(diǎn)。在子場(chǎng)景層級(jí)，場(chǎng)景在空間上被劃分為多個(gè)子場(chǎng)景，并提取各種元素。在基元層級(jí)，每個(gè)元素通過UGP建模，其全局位姿由與時(shí)間相關(guān)的運(yùn)動(dòng)先驗(yàn)控制。

這種層次化設(shè)計(jì)極大增強(qiáng)了模型的能力，使其能夠建模大規(guī)模場(chǎng)景。此外，UGP允許同時(shí)重建剛性和非剛性動(dòng)態(tài)。

四維高斯建模UGP在三維空間基礎(chǔ)上引入時(shí)間維度，能夠自然表達(dá)對(duì)象的動(dòng)態(tài)變化，尤其適用于非剛體建模。

層次細(xì)節(jié)控制（LOD）通過圖像平面投影尺寸選擇渲染基元，提升渲染效率，實(shí)現(xiàn)實(shí)時(shí)渲染。

子場(chǎng)景并行優(yōu)化采用“塊級(jí)對(duì)象訓(xùn)練策略”，避免跨子場(chǎng)景動(dòng)態(tài)對(duì)象的干擾，通過“時(shí)間尺度初始化”提升大幅運(yùn)動(dòng)區(qū)域的擬合精度。

虛擬視圖監(jiān)督在新視角合成任務(wù)中引入虛擬視圖監(jiān)督，有效提升外推質(zhì)量。

在實(shí)驗(yàn)結(jié)果方面，研究者在專有大規(guī)模動(dòng)態(tài)街景數(shù)據(jù)集Dynamic City以及公開的Waymo數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。

Dynamic City數(shù)據(jù)集是包含以10 Hz頻率捕獲的圖像和雷達(dá)數(shù)據(jù)序列，覆蓋600米至1公里以上的街景。

與Waymo和PandaSet等公開數(shù)據(jù)集相比，Dynamic City數(shù)據(jù)集包含更廣泛的街景，研究者將該數(shù)據(jù)集作為開源資源發(fā)布，以推進(jìn)大規(guī)模動(dòng)態(tài)街景重建的研究。

為證明算法的有效性并確保公平比較，研究者進(jìn)行了兩個(gè)實(shí)驗(yàn)：一個(gè)使用大規(guī)模動(dòng)態(tài)場(chǎng)景，另一個(gè)使用從大規(guī)模場(chǎng)景中提取的子場(chǎng)景。

下圖中的的表格和圖片結(jié)果表明，對(duì)于插值任務(wù)，Hierarchy UGP在大規(guī)模動(dòng)態(tài)場(chǎng)景和較小的子場(chǎng)景中均始終優(yōu)于現(xiàn)有方法。

▲Hierarchy UGP在插值任務(wù)上的表現(xiàn)

此外，通過集成LOD技術(shù)和基于gsplat的工程增強(qiáng)，Hierarchy UGP實(shí)現(xiàn)了大規(guī)模動(dòng)態(tài)場(chǎng)景的實(shí)時(shí)渲染。

對(duì)于外推任務(wù)，Hierarchy UGP顯著優(yōu)于所有其他基線方法。這一改進(jìn)主要?dú)w因于虛擬扭曲視圖的監(jiān)督。

Waymo數(shù)據(jù)集是一個(gè)真實(shí)世界數(shù)據(jù)集，包含在實(shí)際道路上收集的數(shù)千個(gè)駕駛片段，每個(gè)片段包含以10Hz采樣的20秒傳感器數(shù)據(jù)。

下圖中圖片的定性結(jié)果表明，Hierarchy UGP在重建方面優(yōu)于其他方法。

▲Waymo數(shù)據(jù)集上的定性比較

具體而言，Hierarchy UGP在人體物體上實(shí)現(xiàn)了顯著更高的視覺指標(biāo)，突出了其強(qiáng)大的動(dòng)態(tài)元素建模能力，即使在大運(yùn)動(dòng)區(qū)域也是如此。

此外，結(jié)果表明Hierarchy UGP和OmniRe在測(cè)試幀上的視覺質(zhì)量下降更為明顯。這種下降發(fā)生是因?yàn)樵谶@些幀中，行人運(yùn)動(dòng)完全未知，UGP 和 SMPL 都無法完全捕捉行人的運(yùn)動(dòng)，導(dǎo)致性能明顯下降。盡管如此，Hierarchy UGP仍然與最先進(jìn)的方法具有競(jìng)爭(zhēng)力。

▲Waymo數(shù)據(jù)集上的定量比較

最后，研究者們計(jì)劃將配套代碼和Dynamic City數(shù)據(jù)集作為開源資源發(fā)布，以推動(dòng)社區(qū)內(nèi)的進(jìn)一步研究。

二、共8篇論文中稿 含端到端模型、渲染框架等多方面

另外，除了已經(jīng)公開的《Hierarchy UGP》論文，在ICCV 2025中理想汽車自動(dòng)駕駛團(tuán)隊(duì)還有4篇論文中稿。

在端到端規(guī)劃模型方面，理想汽車與中國科學(xué)院合作的《World4Drive》論文，提出業(yè)界首個(gè)通過自監(jiān)督學(xué)習(xí)實(shí)現(xiàn)無需感知標(biāo)注的端到端規(guī)劃模型。

▲《World4Drive》

理想汽車與中山大學(xué)合作的《RoboPerls》論文，利用3DGS構(gòu)建面向機(jī)器人操作的可編輯視頻仿真框架，能夠從示范視頻構(gòu)建具有照片級(jí)真實(shí)感、視角一致的仿真環(huán)境，支持機(jī)器人的數(shù)據(jù)合成。

▲《RoboPerls》

理想汽車獨(dú)立完成的《HiNeus》論文，提出了一個(gè)統(tǒng)一3D復(fù)雜渲染框架，通過三項(xiàng)基礎(chǔ)創(chuàng)新同時(shí)解決多視角輻射不一致性、增強(qiáng)低紋理表面恢復(fù)并保留精細(xì)結(jié)構(gòu)細(xì)節(jié)。

▲《HiNeus》

理想汽車與悉尼科技大學(xué)合作的《3D RealCar》論文，提出大規(guī)模真實(shí)三維車輛數(shù)據(jù)集3D RealCar，具備海量數(shù)據(jù)、高品質(zhì)、高多樣性等特性，將有力促進(jìn)三維車輛識(shí)別與重建技術(shù)的發(fā)展。

▲《3D RealCar》

除理想汽車自動(dòng)駕駛團(tuán)隊(duì)的論文外，理想汽車基座模型團(tuán)隊(duì)還有三篇論文被ICCV 2025錄用。

理想汽車與中國科學(xué)技術(shù)大學(xué)合作《DH-FaceVid-1K: A Large-Scale High-Quality Dataset for Face Video Generation》，提出大規(guī)模高質(zhì)量人臉視頻數(shù)據(jù)集DH-FaceVid-1K，具備多種族、高質(zhì)量、大容量等特性，可用于訓(xùn)練多模態(tài)數(shù)字人臉視頻生成基座大模型。

▲《DH-FaceVid-1K: A Large-Scale High-Quality Dataset for Face Video Generation》

理想汽車與哈爾濱工業(yè)大學(xué)合作的《QR-LoRA: Efficient and Disentangled Fine-tuning via QR Decomposition for Customized Generation》論文，提出一種全新的圖像定制化微調(diào)范式，可適配現(xiàn)有各種生成模型，訓(xùn)練參數(shù)為普通LoRA的一半，微調(diào)速度更快，并能用于多屬性組合生成等定制化場(chǎng)景。

▲《QR-LoRA: Efficient and Disentangled Fine-tuning via QR Decomposition for Customized Generation》

理想汽車發(fā)表的《Twig：Growing a Twig to Accelerate Large Vision-Language Models》論文，提出一種自適應(yīng)VLM Token壓縮&推理加速方法，通過分支引導(dǎo)的Token剪枝策略&自投機(jī)解碼策略，自適應(yīng)地刪除VLM模型LLM推理階段中和Query無關(guān)的Token，全方位提升prefill & decode階段的模型計(jì)算效率，在長問答Task上可實(shí)現(xiàn)1.5倍的提速。

▲《Twig：Growing a Twig to Accelerate Large Vision-Language Models》

結(jié)語：理想汽車持續(xù)投入基礎(chǔ)理論研究

理想汽車此前已在人工智能領(lǐng)域的頂級(jí)學(xué)術(shù)會(huì)議和期刊上嶄露頭角。近3年，理想汽車圍繞端到端、世界模型、VLA和基座模型等核心技術(shù)，在AAAI、CVPR、ICRA等頂級(jí)學(xué)術(shù)平臺(tái)發(fā)表了近50篇論文。

在基礎(chǔ)理論研究過程中，理想汽車在獨(dú)立研究之外，還積極與高校展開合作，能夠充分利用高校的科研資源和人才優(yōu)勢(shì)，加速技術(shù)研究進(jìn)程。

而理想汽車能在輔助駕駛、智能座艙等多方面表現(xiàn)出色，離不開其在底層研發(fā)的長期投入。