SQS：通过基于查询的溅射增强自动驾驶中的稀疏感知模型
计算机视觉与模式识别
2025-09-23 v1 人工智能
机器人学
摘要
稀疏感知模型（SPMs）采用查询驱动的范式，放弃了显式的密集鸟瞰图或体积构建，从而实现了高效计算和加速推理。在本文中，我们介绍了SQS，这是一种新颖的基于查询的溅射预训练方法，专门为推进自动驾驶中的SPMs而设计。SQS引入了一个即插即用模块，在预训练期间从稀疏查询中预测3D高斯表示，利用自监督溅射通过重建多视图图像和深度图来学习细粒度的上下文特征。在微调阶段，预训练的高斯查询通过查询交互机制无缝集成到下游网络中，该机制显式地将预训练查询与任务特定查询连接起来，有效地满足了占用预测和3D目标检测的多样化需求。在自动驾驶基准上的大量实验表明，SQS在多个基于查询的3D感知任务中带来了显著的性能提升，尤其是在占用预测和3D目标检测方面，以显著优势（即占用预测上+1.3 mIoU，3D检测上+1.0 NDS）超越了先前最先进的预训练方法。
引用
@article{arxiv.2509.16588,
title = {SQS: Enhancing Sparse Perception Models via Query-based Splatting in Autonomous Driving},
author = {Haiming Zhang and Yiyao Zhu and Wending Zhou and Xu Yan and Yingjie Cai and Bingbing Liu and Shuguang Cui and Zhen Li},
journal= {arXiv preprint arXiv:2509.16588},
year = {2025}
}
备注
NeurIPS 2025 (Spotlight)