这一观察促使我们对LiDAR世界建模的方式进行根本性转变。我们主张，模型不应将生成视为空间上均匀的过程，而应首先识别场景中具有挑战性的区域，然后相应分配其容量。这种“从难到易”的范式模拟了人类解决视觉模糊性的方式：我们首先关注不确定区域，锚定感知，然后再整合周围上下文。
引言
本文介绍了U4D，一种不确定性感知生成框架，将LiDAR场景合成重新定义为空间自适应过程。通过基于香农熵推导逐点语义不确定性，并以从难到易的顺序生成场景，U4D将建模能力集中在最重要的区域：被遮挡边界、远距离表面和语义模糊结构。时空混合块确保这种空间精度在时间上连贯地扩展。在nuScenes和SemanticKITTI上的实验一致显示出场景级保真度、跨帧稳定性和下游分割效用的改进，表明对场景难度的明确感知是可靠4D LiDAR世界建模的实用且有效的先验。
从难到易的生成范式
U4D的核心见解是，LiDAR场景中并非所有点都同样难以生成。该框架首先通过基于香农熵推导的逐点语义不确定性识别不确定区域。这些高不确定性区域——如物体边界、被遮挡区域和远距离表面——首先生成，使模型能够将更多容量分配给场景中具有挑战性的部分。然后，剩余较容易的区域在已生成的困难区域条件下填充，形成连贯的全局结构。
时空混合块
为了保持帧间时间连贯性，U4D引入了时空混合块。这些块同时处理空间和时间信息，确保从难到易的生成策略产生跨时间稳定的结果。该架构使模型能够学习不确定性如何在连续LiDAR帧中传播，防止动态场景中的闪烁或不一致重建。
实验结果
U4D在两个主要自动驾驶基准上进行了评估：nuScenes和SemanticKITTI。该框架在三个关键指标上始终优于基线：场景级保真度（通过FID和KID分数衡量）、跨帧时间稳定性以及下游任务效用（语义分割性能）。结果表明，明确的不确定性感知为4D LiDAR世界建模提供了实用且有效的先验，尤其在涉及遮挡和动态物体的挑战性场景中取得了显著收益。
常见问题
U4D与之前的LiDAR生成方法有何不同？ U4D引入了不确定性感知的从难到易生成范式，优先处理被遮挡边界和远距离表面等困难区域，而不是平等对待所有点。
U4D如何测量LiDAR场景中的不确定性？ 该框架使用香农熵推导逐点语义不确定性，识别场景中哪些区域最难生成。
什么是时空混合块？ 时空混合块同时处理空间和时间信息，确保从难到易的生成策略在LiDAR帧间产生时间连贯的结果。
U4D在哪些数据集上进行了评估？ 该框架在nuScenes和SemanticKITTI上进行了测试，这两个是自动驾驶感知的标准基准。