HD$^2$-SSC：面向自动驾驶的高维度高密度语义场景补全

基于相机的 3D 语义场景补全 (SSC) 在自动驾驶中发挥着关键作用，通过体素化的 3D 场景理解实现有效的场景感知和决策。现有的 SSC 方法在改进 3D 场景表示方面已显示出有效性，但受到固有输入-输出维度差距和标注-现实密度差距的困扰，即来自带有稀疏标注标签的输入图像的 2D 规划视图导致对具有 3D 立体视图的真实世界密集占用的预测较差。有鉴于此，我们提出了相应的具有扩展像素语义和细化体素占用的高维度高密度语义场景补全 (HD$^2$-SSC) 框架。为了弥合维度差距，设计了一个高维语义解耦模块，沿伪第三维扩展 2D 图像特征，将粗略的像素语义从遮挡中解耦，然后识别具有精细语义的焦点区域以丰富图像特征。为了缓解密度差距，设计了一个高密度占用细化模块，采用“检测并细化”架构，利用上下文几何和语义结构，通过补全缺失体素和纠正错误体素来增强语义密度。在 SemanticKITTI 和 SSCBench-KITTI-360 数据集上的大量实验和分析验证了我们的 HD$^2$-SSC 框架的有效性。