自动驾驶闭环评测需要从已录传感器数据重建动态驾驶场景，并合成原轨迹之外的观测。相机与激光雷达的新视角合成已较常见，雷达却一直用得不完整：它本可通过多普勒直接测量径向速度，现有方法要么只重建动态场景的距离-方位张量、丢掉多普勒，要么能渲染多普勒却假定场景静止。DyRAD 同时处理动态目标与完整 RAD 张量，并把雷达信号处理造成的能量扩散从场景几何中拆开。
现有雷达新视角合成的两处错位
摘要指出两类不足。其一，动态与多普勒被分开处理：面向动态场景的工作停留在距离-方位，能渲染多普勒的工作又默认静态世界。其二，雷达处理链会把每一次反射摊到多个距离方位单元。若把这种扩散吸收进场景几何，换视角后扩散会跟着错误的几何一起移动，渲染就会偏。材料未列出对比方法名称，也未给出定量差距，因此只能把问题理解为表示设计，而不是数据规模或算力。
静态背景、跟踪点反射体与解析点扩散
DyRAD 用静态背景反射体和由物体轨迹驱动的动态点反射体建模驾驶场景，渲染完整的距离-方位-多普勒张量。反射体速度由目标轨迹导出，再投影到视线方向；多普勒既是渲染结果，也作为对这些轨迹的监督。更关键的是成像方式：反射体经过从雷达信号处理链导出的固定解析点扩散函数再成像，传感器引入的扩散不再被烘焙进场景表示。这一分离还带来零样本传感器配置迁移：同一重建场景可在不同雷达规格下直接渲染，无需重新拟合。论文在 RADIal、Boreas 上评测；摘要在此处截断，指标、对比与消融均未给出，故不作效果判断。
我的判断
方法上的价值主要在三处拆分：背景与动态反射体、视线速度与几何、解析点扩散与场景表示。多普勒从附加通道变成轨迹监督，换雷达规格也不必重训，对闭环仿真和传感器配置探索是合理方向。边界同样清楚：动态部分依赖物体轨迹，跟踪误差会直接进入多普勒；摘要未提供数值结果，不能声称已解决雷达新视角合成。给定材料信息有限，更适合把它当作一篇表示层论文来读，而不是当作可立即落地的仿真模块。