基于方向感知 2D 卷积的 DA-Occ：面向自动驾驶的高效几何保真 3D 占用预测
计算机视觉与模式识别
2026-03-02 v5
摘要
高效且高精度的 3D 占用预测对于自动驾驶系统的性能至关重要。然而，现有方法在精度与效率之间难以平衡：高精度方法常因计算负担沉重而导致推理速度慢，而另一些方法则仅利用纯鸡瞰视图 (BEV) 表征以换取速度，却牺牲了垂直空间线索并损害了几何完整性。为克服这些限制，我们基于高效的 Lift-Splat-Shoot (LSS) 范式，提出了一种纯 2D 框架 DA-Occ，用于保持细粒度几何的 3D 占用预测。标准 LSS 方法仅依据深度得分将 2D 特征提升至 3D 空间，难以充分捕获垂直结构。为改进这一点，DA-Occ 在深度基于提升之外，辅以高度得分投影，显式编码垂直几何信息。我们进一步采用方向感知卷积沿垂直和水平方向提取几何特征，有效平衡精度与计算效率。在 Occ3D-nuScenes 数据集上，所提方法实现了 39.3% 的 mIoU 和 27.7 FPS 的推理速度，有效平衡了精度与效率。在边缘设备上的仿真测试中，推理速度达到 14.8 FPS，进一步证明了该方法在资源受限环境下的实时部署适用性。
引用
@article{arxiv.2507.23599,
title = {DA-Occ: Direction-Aware 2D Convolution for Efficient and Geometry-Preserving 3D Occupancy Prediction in Autonomous Driving},
author = {Yuchen Zhou and Yan Luo and Xiaogang Wang and Xingjian Gu and Mingzhou Lu and Xiangbo Shu},
journal= {arXiv preprint arXiv:2507.23599},
year = {2026}
}
备注
This manuscript has been withdrawn because we are preparing a significantly revised version with improved methodology and extended experimental evaluation