论文题目：LowRankOcc: Tensor Decomposition and Low-Rank Recovery for Vision-based 3D Semantic Occupancy Prediction
论文链接：https://openaccess.thecvf.com/content/CVPR2024/papers/Zhao_LowRankOcc_Tensor_Decomposition_and_Low-Rank_Recovery_for_Vision-based_3D_Semantic_CVPR_2024_paper.pdf
一、摘要
在本文中，我们提出了一种基于视觉的3D语义占用预测的张量分解和低秩恢复方法（LowRankOcc）。传统方法使用细粒度的3D网格来建模户外场景，但由于非空体素的稀疏性，引入了大量空间冗余，导致潜在的过拟合风险。相比之下，我们的方法利用3D占用数据的固有低秩特性，将体素表示分解为低秩组件，以高效减轻空间冗余而不牺牲性能。具体而言，我们提出了垂直-水平（VH）分解模块，将3D张量分解为垂直向量和水平矩阵。在我们的“分解-编码-恢复”框架中，我们仅使用1D/2D卷积和池化来编码3D上下文，然后将编码后的紧凑但信息丰富的上下文特征恢复到体素表示。实验结果表明，LowRankOcc在SemanticKITTI数据集上的语义场景完成和nuScenes数据集上的3D占用预测方面实现了最先进的性能。
二、实验
这里展示部分结果，更多结果请参考论文。
