本研究提出了一种新颖的RGB和短波红外（SWIR）多光谱驾驶数据集（RASMD），包含10万个同步的RGB-SWIR图像对。研究表明，结合RGB和SWIR数据能显著提高恶劣天气条件下的检测精度，为自主驾驶和稳健感知系统提供了新动力。

本文提出了一种新的街景神经辐射场模型（S-NeRF），通过改进参数化函数和学习神经表示来解决现有模型在街景合成中的问题。实验证明S-NeRF在大规模驾驶数据集上优于现有方法，减少了均方误差并提高了PSNR。

该研究提出了一种使用车辆摄像头来估计驾驶员凝视点的新方法，通过卷积网络分析场景图像和驾驶员面部图像，并在大规模驾驶数据集上进行实验，结果显示该方法优于其他基准方法。

本文提出了一种新的街景神经辐射场模型（S-NeRF），通过改进参数化函数和学习神经表示来解决现有模型在街景合成中的问题。实验证明S-NeRF在大规模驾驶数据集上优于最先进方法，减少了均方误差并获得了PSNR增益。

本文提出了一种新的街景神经辐射场模型（S-NeRF），通过改进参数化函数和学习神经表示来解决现有模型在街景合成中的问题。实验证明S-NeRF在大规模驾驶数据集上优于现有方法，减少了均方误差并提高了PSNR。

本文提出了一种新的街景神经辐射场模型（S-NeRF），通过改进参数化函数和学习神经表示来提高街景合成的质量。实验证明，S-NeRF 模型在大规模驾驶数据集上表现优于现有最先进方法，能够减少均方误差并提高渲染质量。

本文提出了一种新的街景神经辐射场模型（S-NeRF），通过改进场景参数化函数和学习更好的神经表示来应对现有 NeRF 模型在街景合成中出现的问题。实验证明，S-NeRF 模型在各种大规模驾驶数据集上的表现优于现有最先进方法，能够减少 7％至 40％ 的均方误差，并在移动车辆渲染的 PSNR 方面获得了 45％ 的增益。

本文提出了一种新的街景神经辐射场模型（S-NeRF），通过改进参数化函数和学习神经表示来解决现有模型在街景合成中的问题。实验证明S-NeRF模型在大规模驾驶数据集上优于现有方法，减少了7％至40％的均方误差，并在移动车辆渲染的PSNR方面获得了45％的增益。