【DHD：深度与高度解耦的3D占据预测】

文章预览

《Deep Height Decoupling for Precise Vision-based 3D Occupancy Prediction》这篇论文介绍了一种名为深度高度解耦（Deep Height Decoupling，简称DHD）的新框架，用于精确的基于视觉的3D占用预测。这个任务的目标是从2D彩色图像中重建3D几何形状并估计其语义类别，其中2D到3D视图转换是一个不可或缺的步骤。 在以往的方法中，大多数进行前向投影，例如BEVPooling和VoxelPooling，这两种方法都将2D图像特征映射到3D网格中。然而，当前表示特定高度范围内的特征的网格通常会引入许多属于其他高度范围的令人困惑的特征。为了解决这一挑战，DHD框架首次引入了显式高度先验来过滤掉这些令人困惑的特征。 具体来说，DHD首先通过显式监督预测高度图。基于高度分布统计，DHD设计了掩模引导高度采样（Mask Guided Height Sampling，简称MGHS）来自适应地将高度图解耦为多个二进制掩模。M ………………………………