GenAssets：在潜在空间中生成真实场景三维资产

基于摘要分析。GenAssets 面向自动驾驶多传感器仿真中的交通参与者三维资产生成，研究如何利用真实驾驶场景中视角有限、观测稀疏且存在部分遮挡的 LiDAR 与相机数据，生成几何与外观完整的资产。其核心贡献是“先重建、再生成”（reconstruct-then-generate）：先构建对象潜在空间，再在该空间训练三维潜在扩散模型。 机制上，第一阶段利用在多个场景上训练的遮挡感知神经渲染，建立高质量对象潜在空间；第二阶段让扩散模型在该空间中学习生成。摘要将既有方法的瓶颈区分为两类：基于神经渲染的重建速度较慢，且渲染质量依赖接近原始观测的视角；扩散生成方法虽能产生完整、多样的资产，但难以处理真实驾驶场景中的稀疏观测与遮挡。GenAssets 尝试结合重建的观测约束与生成的补全能力，而非仅改善已有视角下的渲染。 作者报告，该方法优于现有重建与生成方法，并支持多样化、可扩展的仿真内容创建；摘要未提供具体数据集、样本规模、划分、基线名称、指标或数值，因此尚不能核对优势幅度、生成效率及跨场景泛化。潜在表示、遮挡建模、训练目标、条件输入方式、实验协议、消融及统计信息尚未验证，复现所需实现与资源条件也尚未验证。 该研究的主要对象是交通场景三维资产，不是神经信号建模。其机制依赖 LiDAR、相机观测及神经渲染中的空间几何约束，当前材料不足以建立与 EEG/BCI 瓶颈的具体对应关系，因此不据此提出迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。