LEARNING
面向真实可控视觉交通场景生成的端到端条件扩散模型
Jingzheng Li, Yufei Ge, Zhijun Chen, Qianren Mao, Zizhe Wang, Binhang Qi, Bing Li, Keyu Chen, Baochang Zhang, Xianglong Liu, Philip S Yu
- 发表年份
- 2026
- 引用次数
- 0
- 访问权限
- 开放获取
摘要
本文提出E2E-CDiff框架，利用条件扩散模型联合生成未来运动状态与可执行控制指令，实现交通场景的真实性与可控性平衡。通过可微引导机制支持速度调节、可行驶区域约束及碰撞行为控制，在Bench2Drive数据集上验证了其优越性能。
关键词
diffusion modeltraffic scenario generationautonomous drivingcontrollabilityrealism
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018