ProOOD：面向原型引导的无训练类外3D占据预测
计算机视觉与模式识别
2026-04-02 v1 机器学习
机器人学
图像与视频处理
摘要
3D语义占据预测是自动驾驶的核心任务，但现有方法易受长尾类别偏差和类外(OOD)输入威胁，常对异常样本错误地给予罕见类别的高置信度。我们提出ProOOD，一种轻量级、即插即用的方法，融合原型引导的细化与训练自由的OOD评分。ProOOD包含(i)原型引导的语义插值，利用类别一致特征填充遮挡区域；(ii)原型引导的尾部挖掘，强化罕见类别表征以抑制ODD吸收；(iii)EchoOOD，将局部逻辑一致性与局部及全局原型匹配融合，生成可靠的体素级ODD评分。在五个数据集上的大量实验表明，ProOOD在训练集内的3D占据预测和ODD检测上均实现了状态突破。 在SemanticKITTI上，整体mIoU提升3.57%，尾部类别mIoU提升24.80%；在VAA-KITTI上，AuPRCr提升19.34分，各基准测试均表现出一致的提升。这些改进使得占据估计更加校准，ODD检测在安全关键的城市驾驶中更加可靠。源代码已公开于https://github.com/7uHeng/ProOOD。
引用
@article{arxiv.2604.01081,
title = {ProOOD: Prototype-Guided Out-of-Distribution 3D Occupancy Prediction},
author = {Yuheng Zhang and Mengfei Duan and Kunyu Peng and Yuhang Wang and Di Wen and Danda Pani Paudel and Luc Van Gool and Kailun Yang},
journal= {arXiv preprint arXiv:2604.01081},
year = {2026}
}
备注
Accepted to CVPR 2026. The source code is publicly available at https://github.com/7uHeng/ProOOD