TALoS：基于视线信息的语义场景完成测试时适应

语义场景完成 (SSC) 旨在同时执行几何完成和语义分割。尽管现有研究取得了令人鼓舞的成果，但该任务固有的病态性在多样化的驾驶场景中 presents 显著挑战。本文引入 TALoS，一种 novel 的 SSC 测试时适应方法，通过挖掘驾驶环境中可用信息。具体而言，我们关注某一时刻的观察可作为另一个时刻场景完成的 ground truth。鉴于激光雷达传感器的特性，对某一位置的观察既确认该位置的占用，又确认从激光雷达到该点的视线上不存在障碍物。TALoS 利用这些观察获取关于占用和空旷的自监督信息，引导模型在测试时适应场景。类似地，我们聚合多个时刻中可靠的 SSC 预测，并将其作为语义伪 GT 用于适应。进一步，为了利用当前时间不可访问的未来观察，我们提出了一种双优化方案。在 SemanticKITTI 验证和测试集上的评估表明，TALoS 显著提高了预训练 SSC 模型的性能。我们的代码可在 https://github.com/blue-531/TALoS 上获取。