MetaSSC：通过元学习与长序列建模增强自动驾驶三维语义场景补全
计算机视觉与模式识别
2026-01-21 v2 人工智能
摘要
语义场景补全（SSC）对于实现自动驾驶系统的全面感知至关重要。然而，现有的 SSC 方法往往忽视了实际应用中的高部署成本。传统架构，如三维卷积神经网络（3D CNN）和自注意力机制，在高效捕获三维体素网格中的长程依赖关系方面面临挑战，限制了其有效性。为解决这些问题，我们提出了 MetaSSC，一个基于元学习的 SSC 新框架，利用可变形卷积、大核注意力和 Mamba（D-LKA-M）模型。我们的方法从基于体素的语义分割（SS）预训练任务开始，旨在探索不完整区域的语义和几何信息，同时获取可迁移的元知识。利用模拟的协作感知数据集，我们通过聚合多辆附近连接自动驾驶车辆（CAVs）的传感器数据来监督单辆车的感知训练，生成更丰富、更全面的标签。这些元知识随后通过不增加额外模型参数的双阶段训练策略适配到目标域，实现高效部署。为进一步增强模型在三维体素网格中捕获长序列关系的能力，我们将 Mamba 模块与可变形卷积和大核注意力集成到骨干网络中。大量实验表明，MetaSSC 达到了最先进的性能，显著优于竞争模型，同时降低了部署成本。
引用
@article{arxiv.2411.03672,
title = {MetaSSC: Enhancing 3D Semantic Scene Completion for Autonomous Driving through Meta-Learning and Long-sequence Modeling},
author = {Yansong Qu and Zixuan Xu and Zilin Huang and Zihao Sheng and Tiantian Chen and Sikai Chen},
journal= {arXiv preprint arXiv:2411.03672},
year = {2026}
}