Occ-ScanNet
PulseAugur coverage of Occ-ScanNet — every cluster mentioning Occ-ScanNet across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的OccAnyScene框架统一室内外三维占用预测
研究人员推出OccAnyScene，一个新颖的框架，旨在实现室内外环境统一的三维占用预测。该新方法通过采用以像素为中心的视锥高斯框架，解决了处理不同相机设置、空间尺度和语义类别的多样化场景的挑战。OccAnyScene基于预训练的深度基础模型，利用像素对齐视锥特征聚合和视锥参数化高斯构建，在室内外基准测试中取得了最先进的成果。
-
YouTube-Occ 从网络视频中学习3D语义占用
研究人员开发了YouTube-Occ，一种从互联网视频预测3D语义占用的新方法，解决了标注3D室内数据稀缺的问题。该系统利用一个处理原始网络视频的流水线来估计相机几何、重建点云，并使用基础模型生成语义伪标签。为了提高性能，引入了一个具有双重对齐策略的预训练框架，包括用于3D到2D特征匹配的帧内对齐和用于语义一致性的跨场景对齐。这种方法在NYUv2和Occ-ScanNet基准测试中，尤其是在低数据场景下，展示了持续的性能提升。
-
VEOcc框架推动在线3D占用预测
研究人员推出了一种新颖的体素中心框架VEOcc，用于在线3D占用预测和建图。该系统能够即时增量构建密集的空间表示，克服了之前以高斯为中心的模型在边界保真度方面遇到的困难以及需要预定义场景大小先验的限制。VEOcc采用递归感知-同化范式，无需初始尺度估计即可实现开放式地图扩展，并利用时空感知在线更新策略进行鲁棒的时间观测聚合。
-
香港科技大学（广州）发布LegoOcc，实现单图像3D室内空间理解
香港科技大学（广州）的研究人员开发了LegoOcc，这是一个新颖的系统，仅使用一张RGB图像即可预测室内场景的3D占用情况。该方法无需昂贵的3D语义标注或多视图数据，使机器人能够根据自然语言查询理解空间占用情况并识别物体。LegoOcc在几何占用预测方面取得了最先进的性能，并在开放词汇语义理解方面取得了重大突破，使其能够识别超出预定义类别的更广泛物体。