理想汽車持續(xù)投入基礎(chǔ)理論研究。

作者 | 張睿

編輯 | 志豪

理想汽車自動駕駛團(tuán)隊 5 篇論文被世界頂級學(xué)術(shù)會議錄用！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駕駛團(tuán)隊有 5 篇論文中稿 ICCV 2025。

▲理想汽車自動駕駛研發(fā)副總裁郎咸朋宣布中稿

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

而 2025 年 ICCV 大會共收到了 11239 份有效投稿，為歷史最多，這些投稿經(jīng)過評審后接受 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 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，除理想汽車自動駕駛團(tuán)隊中稿的 5 篇論文外，理想汽車基座模型團(tuán)隊還有 3 篇論文中稿，一共 8 篇論文被 ICCV 2025 錄用。

01.

Hierarchy UGP：

用于大規(guī)模動態(tài)場景重建的層次化統(tǒng)一高斯基元

目前，理想汽車自動駕駛團(tuán)隊中稿的 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算法專家詹錕、理想汽車高級算法工程師王一達(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)步顯著提升了動態(tài)街景重建的效果。然而，大規(guī)模場景和動態(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)展到大型場景或準(zhǔn)確建模任意動態(tài)。

為解決這些限制，研究者提出 Hierarchy UGP，其構(gòu)建了由根層級、子場景層級和基元層級組成的層次結(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，實現(xiàn)動態(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）：管理整個場景的結(jié)構(gòu)，是渲染和優(yōu)化的入口。

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

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

▲ Hierarchy UGP 采用三層分層

根層級作為層次結(jié)構(gòu)的入口點。在子場景層級，場景在空間上被劃分為多個子場景，并提取各種元素。在基元層級，每個元素通過 UGP 建模，其全局位姿由與時間相關(guān)的運動先驗控制。

這種層次化設(shè)計極大增強了模型的能力，使其能夠建模大規(guī)模場景。此外，UGP 允許同時重建剛性和非剛性動態(tài)。

四維高斯建模 UGP 在三維空間基礎(chǔ)上引入時間維度，能夠自然表達(dá)對象的動態(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，實現(xiàn)實時渲染。

子場景并行優(yōu)化采用 " 塊級對象訓(xùn)練策略 "，避免跨子場景動態(tài)對象的干擾，通過 " 時間尺度初始化 " 提升大幅運動區(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。

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

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)行了兩個實驗：一個使用大規(guī)模動態(tài)場景，另一個使用從大規(guī)模場景中提取的子場景。

下圖中的的表格和圖片結(jié)果表明，對于插值任務(wù)，Hierarchy UGP 在大規(guī)模動態(tài)場景和較小的子場景中均始終優(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，Hierarchy UGP 實現(xiàn)了大規(guī)模動態(tài)場景的實時渲染。

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

Waymo 數(shù)據(jù)集是一個真實世界數(shù)據(jù)集，包含在實際道路上收集的數(shù)千個駕駛片段，每個片段包含以 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 在人體物體上實現(xiàn)了顯著更高的視覺指標(biāo)，突出了其強大的動態(tài)元素建模能力，即使在大運動區(qū)域也是如此。

此外，結(jié)果表明 Hierarchy UGP 和 OmniRe 在測試幀上的視覺質(zhì)量下降更為明顯。這種下降發(fā)生是因為在這些幀中，行人運動完全未知，UGP 和 SMPL 都無法完全捕捉行人的運動，導(dǎo)致性能明顯下降。盡管如此，Hierarchy UGP 仍然與最先進(jìn)的方法具有競爭力。

▲ Waymo 數(shù)據(jù)集上的定量比較

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

02.

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 中理想汽車自動駕駛團(tuán)隊還有 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)界首個通過自監(jiān)督學(xué)習(xí)實現(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)建具有照片級真實感、視角一致的仿真環(huán)境，支持機(jī)器人的數(shù)據(jù)合成。

▲《RoboPerls》

理想汽車獨立完成的《HiNeus》論文，提出了一個統(tǒng)一 3D 復(fù)雜渲染框架，通過三項基礎(chǔ)創(chuàng)新同時解決多視角輻射不一致性、增強低紋理表面恢復(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)三維車輛識別與重建技術(shù)的發(fā)展。

▲《3D RealCar》

除理想汽車自動駕駛團(tuán)隊的論文外，理想汽車基座模型團(tuán)隊還有三篇論文被 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景。

▲《QR-LoRA: Efficient and isentangled 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 階段的模型計算效率，在長問答 Task 上可實現(xiàn) 1.5 倍的提速。

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

03.

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)域的頂級學(xué)術(shù)會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 等頂級學(xué)術(shù)平臺發(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，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。