基于神经辐射场的三维重建技术已在自动驾驶仿真领域获得广泛应用，然而由3D高斯泼溅（3DGS）及其衍生算法生成的场景在新视角下普遍面临渲染质量劣化问题。模糊纹理、几何空洞与漂浮伪影等缺陷严重制约了仿真环境的真实感与可靠性。

NVIDIA推出的NuRec工具链整合了名为Fixer的生成式修复模块，该模块以Cosmos Predict世界基础模型为骨干，采用扩散式架构对渲染帧进行后处理增强，能够在观测数据稀疏的区域重建合理的表面细节。

以下分别阐述Fixer的两种应用范式：针对已有重建结果的离线批处理模式，以及嵌入渲染管线的在线实时模式。

获取待处理的重建数据

实验数据选自Hugging Face平台托管的PhysicalAI-Autonomous-Vehicles-NuRec数据集，该集合收录了900余个真实道路场景的重建结果。用户需先完成授权确认，随后可通过命令行工具获取样本：

pip install "huggingface_hub[cli]"

hf auth login

hf download nvidia/PhysicalAI-Autonomous-Vehicles-NuRec \
  --repo-type dataset \
  --include "sample_set/25.07_release/Batch0005/7ae6bec8-ccf1-4397-9180-83164840fbae/camera_front_wide_120fov.mp4" \
  --local-dir ./nurec-sample

Fixer的输入为光栅化图像而非场景本体文件，因此需将预览视频拆解为帧序列：

mkdir -p nurec-sample/frames-to-fix

ffmpeg -i "sample_set/25.07_release/Batch0005/7ae6bec8-ccf1-4397-9180-83164840fbae/camera_front_wide_120fov.mp4" \
  -vf "fps=30" -qscale:v 2 \
  "nurec-sample/frames-to-fix/frame_%06d.jpeg"

上述序列中的典型缺陷包括：车辆表面因视角覆盖不足导致的纹理缺失、远处路牌的几何畸变，以及高光区域的色带伪影。

部署Fixer推理环境

Fixer的运行依赖容器化环境，需确保宿主机的Docker已配置GPU直通支持。

代码仓库与模型准备

git clone https://github.com/nv-tlabs/Fixer.git
cd Fixer

mkdir -p models/
hf download nvidia/Fixer --local-dir models

在线模式：渲染管线集成

在线模式将Fixer部署为神经后处理单元，逐帧处理仿真渲染输出。以下命令基于Cosmo2-Predict基础镜像构建专用容器并执行推理：

docker build -t fixer-cosmos-env -f Dockerfile.cosmos .

docker run -it --gpus=all --ipc=host \
  -v $(pwd):/work \
  -v /path/to/nurec-sample/frames-to-fix:/input \
  --entrypoint python fixer-cosmos-env \
  /work/src/inference_pretrained_model.py \
  --model /work/models/pretrained/pretrained_fixer.pkl \
  --input /input \
  --output /work/enhanced_frames \
  --timestep 250

关键参数说明：

• --timestep 250：控制扩散逆过程的噪声调度步长，直接影响细节恢复程度与计算开销的平衡
• --input与--output：分别映射待修复帧目录与增强结果存储路径

首次推理存在模型预热开销，稳定后单帧延迟显著降低。

质量量化评估

采用峰值信噪比（PSNR）作为客观评价指标，样本场景的对比如下：

除数值提升外，修复后的场景在视觉层面呈现以下改进：语义结构的完整性增强、微观纹理的锐度恢复、时序一致性保持稳定，且未出现帧间闪烁。

新视角泛化验证

为验证Fixer对分布外视角的修复能力，将相机光心沿横向偏移3米生成新视点。在此条件下，原始渲染产生显著的几何拉伸与空洞扩张，而经Fixer处理的序列有效抑制了视角相关伪影，维持了场景的空间连贯性。

离线模式：重建后处理工作流

对于已完成重建的场景资产，Fixer同样支持作为独立后处理步骤批量优化渲染图集。该模式适用于仿真资产库的质量管控流程，无需修改现有渲染管线即可提升历史数据的可用性。