GSD-Occ：实时占用预测最新开源，速度比SOTA快3倍，mIoU提高1.9！

主要观点总结

本文提出了GSD-Occ，一种创新的实时3D占用预测方法，通过几何-语义双分支网络和解耦学习策略，实现了高效率和高精度的占用预测。实验表明，该方法在保持20 FPS处理速度的同时，达到了39.4%的mIoU，超越了现有技术，并将代码开源以推动进一步研究。

关键观点总结

关键观点1: 主要贡献

提出了GSD-Occ，一种实时3D占用预测方法，通过几何-语义双分支网络（GSDBN）和几何-语义解耦学习（GSDL）策略，实现了高效和准确的预测。

关键观点2: 问题表述

给定传感器数据（例如相机图像、点云等）和目标场景的历史信息，目标是生成高质量的3D占用图，用于自动驾驶、机器人路径规划等应用。

关键观点3: 方法概述

使用图像编码器提取图像特征，通过2D到3D视图转换模块将特征转换为体素表示。然后，通过几何-语义双分支网络（GSDBN）进行高效处理，并结合几何-语义解耦学习策略（GSDL）进一步提高性能。

关键观点4: 技术细节

提出了大核重参数化的3D卷积技术，以细化稀疏的3D几何并减少计算。还介绍了几何-语义解耦学习策略（GSDL），通过逐步过渡的方法，使模型能够在准确的真实几何信息下学习语义信息，并在推理阶段自适应地处理预测几何信息。

关键观点5: 实验结果

在Occ3D-nuScenes基准测试中，GSD-Occ以39.4 mIoU和20.0 FPS的成绩超过了CVPR2023 3D占用预测冠军FB-OCC，速度提高了约3倍，mIoU提高了1.9。

关键观点6: 未来研究方向

进一步优化GSD-Occ，通过设计更高效的网络结构、融合多传感器数据、引入自适应学习机制等方式提高其性能。并加强在实际道路和复杂交通环境中的测试，验证模型的可靠性和安全性。

文章预览

论文标题： Real-Time 3D Occupancy Prediction via Geometric-Semantic Disentanglement 论文作者： Yulin He, Wei Chen, Tianci Xun, Yusong Tan 编译： Deep蓝同学 审核： Los 导读： 本文提出了GSD-Occ，一种创新的实时3D占用预测方法，通过几何-语义双分支网络和解耦学习策略，实现了高效率和高精度的占用预测。实验表明，GSD-Occ在保持20 FPS处理速度的同时，达到了39.4%的mIoU，超越了现有技术，并将代码开源以推动进一步研究。 ©️【深蓝AI】编译 占用预测在自动驾驶中至关重要，因为它提供了精细的几何感知和通用的对象识别能力。 这些能力使得自动驾驶系统能够准确地感知和理解周围环境，从而进行安全有效的路径规划和决策。然而，现有的方法通常计算成本高，难以满足自动驾驶对实时性和效率的严格要求。为了应对这一挑战，作者首先评估了大多数公开可用方法的速度和 ………………………………