Hochwertige Neuerstellung von LiDAR-Scans in dynamischen Fahrzeugszenarios durch Verwendung von Kompositionalen Neuronalen Feldern

DyNFL, ein neuartiger Ansatz auf Basis neuronaler Felder, ermöglicht eine hochwertige Neuerstellung von LiDAR-Scans in dynamischen Fahrzeugszenarios. Durch die Komposition separater neuronaler Felder für statischen Hintergrund und bewegte Objekte kann DyNFL die physikalischen Eigenschaften des LiDAR-Sensors präzise modellieren und bietet gleichzeitig flexible Editierfähigkeiten.