NVIDIA/asset-harvester，把行车记录转成仿真可用的 3D 资产：突然想去挖挖我的行车记录仪里面有什么宝贝。🐶

英伟达实验室出的研究项目，解决的是自动驾驶仿真里的一个实际问题：行车日志重建出来的场景缺少独立、可操控的物体资产。

主流的神经场景重建（NeRF / 3D Gaussian Splatting）擅长重建整个环境，但拿不到“能在仿真里单独移动 / 插入的物体”。这个项目就是补这个缺的。

核心思路是两步走：先用 SparseViewDiT（他们专门设计的稀疏视角扩散模型）从 1 到几个真实观测图生成多视角一致的新视图，再用前馈 3D Gaussian Lifting 把多视角图 lift 成完整的 3D Gaussian 资产。全程秒级生成，不需要逐场景优化。

系统设计上还做了几件硬活：异构传感器的几何预处理、大规模物体中心训练 tuple 的筛选，以及稀疏视角条件多视角生成 + 3D Gaussian lifting 的耦合训练配方。这些是专门针对“真实行车数据”而不是“实验室可控数据”做的。

输入是 NCore V4 格式的行车数据，输出直接进 NVIDIA NCore 和 NuRec（Omniverse 仿真平台）做闭环仿真。覆盖车辆、行人、骑行者等路上常见物体，能处理严重遮挡、标定噪声、极端视角偏差这些真实场景的棘手情况。

附 HuggingFace 模型权重、数据集和 Benchmark 评测集。Apache-2.0 开源，Python 为主（97.5%）。

🔗 你发来的链接：http://t.cn/AXxBNO2R
📄 Paper：http://t.cn/AXxBNO2Q
💻 HuggingFace 模型：http://t.cn/AXxBNO28
#HOW I AI# #ai生活指南# #自动驾驶#