我们能信赖不可靠的体素吗？探索标签噪声下的3D语义占用预测
计算机视觉与模式识别
2026-03-09 v1 机器人学
图像与视频处理
摘要
3D语义占用预测是机器人感知的基石，但现实世界的体素标注因结构性瑕疵和动态尾随效应而天然受到损坏。这引出一个关键但未被充分探讨的问题：自主系统能否安全地依赖此类不可靠的占用监督信息？为系统性地研究此问题，我们构建了OccNL——首个专注于占用非对称和动态尾随噪声的3D占用基准数据集。我们的分析揭示了根本性的领域间差距：最先进的2D标签噪声学习策略在稀疏3D体素空间中会发生灾难性崩溃，暴露了现有范式中的关键脆弱性。为解决这一挑战，我们提出了DPR-Occ——一种原则化的标签噪声鲁棒框架，通过双源部分标签推理构建可靠的监督信息。通过将时序模型记忆与表示层次结构相似性融合，DPR-Occ能够动态扩展和修剪候选标签集合，以保留真实语义同时抑制噪声传播。在SemanticKITTI上的大量实验表明，DPR-Occ在极端腐蚀条件下防止了几何和语义的崩溃。值得注意的是，在达到90%标签噪声时，我们的方法在现有适用于3D占用预测任务的标签噪声学习基线之上实现了显著的性能提升（最高达2.57% mIoU和13.91% IoU）。通过连接标签噪声学习和3D感知，OccNL和DPR-Occ为动态环境中的安全关键机器人感知提供了可靠基础。该基准数据集和源代码将公开发布于 https://github.com/mylwx/OccNL。
引用
@article{arxiv.2603.06279,
title = {Can we Trust Unreliable Voxels? Exploring 3D Semantic Occupancy Prediction under Label Noise},
author = {Wenxin Li and Kunyu Peng and Di Wen and Junwei Zheng and Jiale Wei and Mengfei Duan and Yuheng Zhang and Rui Fan and Kailun Yang},
journal= {arXiv preprint arXiv:2603.06279},
year = {2026}
}
备注
The benchmark and source code will be made publicly available at https://github.com/mylwx/OccNL