GaussianFlowOcc：基于高斯泼溅与时间光流的稀疏弱监督占用估计
计算机视觉与模式识别
2025-08-26 v4
摘要
占用估计已成为三维计算机视觉中的一项重要任务，尤其在自动驾驶领域备受关注。本文提出了一种名为 GaussianFlowOcc 的占用估计新方法，该方法受高斯泼溅启发，用稀疏的三维高斯表示替代了传统的密集体素网格。我们基于 Gaussian Transformer 的高效模型架构消除了对昂贵的三维卷积的需求，从而显著降低了计算和内存需求，这些卷积原本用于主要表示空三维空间的低效基于体素的表示。GaussianFlowOcc 在整个网络训练过程中通过估计每个高斯的时间光流来有效捕捉场景动态，为这一通常被现有方法忽略的复杂问题提供了直接的解决方案。此外，GaussianFlowOcc 具备可扩展性，采用弱监督且不需要基于额外数据（如 LiDAR）的昂贵密集三维体素标注。通过大量实验，我们证明 GaussianFlowOcc 在 nuScenes 数据集上的弱监督占用估计性能显著优于以往所有方法，且推理速度比当前 SOTA 快 50 倍。
引用
@article{arxiv.2502.17288,
title = {GaussianFlowOcc: Sparse and Weakly Supervised Occupancy Estimation using Gaussian Splatting and Temporal Flow},
author = {Simon Boeder and Fabian Gigengack and Benjamin Risse},
journal= {arXiv preprint arXiv:2502.17288},
year = {2025}
}
备注
Accepted to ICCV 2025