面向相机-LiDAR 占据率的高度引导投影重参数化
计算机视觉与模式识别
2026-05-12 v2
摘要
3D 占据率预测旨在从传感器观察中推断稠密、体素级的场景语义，其中 2D 到 3D 视图变换是桥接图像特征和体积表示的关键步骤。大多数先前方法依赖固定的投影空间，其中 3D 参考点沿柱均匀采样。然而，这种采样难以捕捉真实场景的稀疏性和高度变化，导致对应性模糊且特征聚合不可靠。为解决这些挑战，我们提出了 HiPR，一个具有高度引导投影重参数化的相机-LiDAR 占据率框架。HiPR 首先将 LiDAR 编码为 BEV 高度图，以捕捉点云的最大高度。HiPR 然后根据高度先验调整每个柱的采样范围，从而实现投影空间的自适应重参数化。结果是，投影点被重新分配到具有几何意义的区域，而非固定范围。同时，我们遮蔽无效的高度图部分，以避免特征聚合产生误导。此外，为缓解由噪声 LiDAR 派生高度导致的训练不稳定，我们引入了训练时的渐进高度条件策略，该策略逐渐将条件信号从真实高度过渡到 LiDAR 高度。广泛的实验表明，HiPR 在保持实时推断性能的同时，持续优于现有的多项最先进方法。代码和预训练模型可在 https://github.com/yanzq95/HiPR 查找。
关键词
引用
@article{arxiv.2605.05072,
title = {Height-Guided Projection Reparameterization for Camera-LiDAR Occupancy},
author = {Yuan Wu and Zhiqiang Yan and Jiawei Lian and Zhengxue Wang and Jian Yang},
journal= {arXiv preprint arXiv:2605.05072},
year = {2026}
}