本文针对通过单视图深度图来获取场景的完整三维体素表示和语义标签的语义场景完成任务，提出了一种端到端三维卷积神经网络 SSCNet，该网络能够同时输出所有摄像机视图锥体中体素的占用和语义标签。SSCNet 使用基于扩张的三维上下文模块来高效地扩展感受野并进行三维上下文学习。实验结果表明，该联合模型比各自解决每个任务的方法表现更好，并且在语义场景完成任务上优于替代方法。

Nov, 2016

基于单目摄像机的三维语义场景完成研究，提出了 DepthSSC 方法，通过 ST-GF 模块和几何感知体素化相结合，动态调整体素分辨率，考虑三维空间的几何复杂性，以确保空间与深度信息的精确对齐，成功解决了以往方法中存在的空间错位和畸变问题。通过在 SemanticKITTI 数据集上的评估，DepthSSC 不仅表现出在捕捉复杂的三维结构细节方面的有效性，还取得了最先进的性能。我们相信 DepthSSC 为基于单目摄像机的三维语义场景完成研究提供了新的视角，并希望它能激发更多相关研究。

Nov, 2023

本文综述了语义场景完整性（SSC）技术，重点分析了问题的方法和数据集，并对 SoA 在最流行的数据集上的性能进行了评估和分析。

Mar, 2021

通过解决二维特征的模糊性、三维卷积的姿态模糊性和三维卷积在不同深度层次上的计算不平衡等问题，我们提出了一种新的标准化设备坐标场景补全网络（NDC-Scene），通过逐步恢复深度的卷积操作，将二维特征映射直接扩展到标准化设备坐标（NDC）空间，而不是直接映射到世界空间。实验证明，在目标三维空间与 NDC 空间之间进行大部分计算转换有助于单目 SSC 任务的性能提升。此外，我们设计了一种深度自适应的双解码器，同时上采样和融合二维和三维特征图，进一步提高了整体性能。在室外 SemanticKITTI 和室内 NYUv2 数据集上的广泛实验证实，我们提出的方法始终优于最先进的方法。

Sep, 2023

本文研究以 RGB 彩色通道提升 SSCnet 在场景补全和语义标签方面的表现

Feb, 2018

提出了一种考虑不确定性的基于摄像头的三维语义场景完成方法，同时提出了一种层次化的置信度预测方法，能够增强几何完成和语义分割准确性，提高安全关键类别的占用召回率，实现更小的预测集大小并保持指定的覆盖保证，为自主感知系统的准确性和鲁棒性带来显著进展。

Jun, 2024

使用密集 - 稀疏 - 密集的设计，采用几何先验和占据信息，从语义感知和占据感知种子体素中扩散语义，实现基于相机的语义场景完成 (SSC) 框架。在 SemanticKITTI 数据集上的实验结果表明，该方法优于现有的最先进方法。

Dec, 2023

本文提出了一种基于几何学的策略来将深度信息与低分辨率体素表示相结合，通过 3D 素描感知特征嵌入编码几何信息并采用半监督先验学习策略来引导占用推理和语义标签的推断，该方案在三个公共基准测试中一致优于现有技术。

Mar, 2020

我们提出了一种名为 S4C 的第一种自我监督方法，不依赖于 3D 完整数据，能够从单张图像中重建场景，并且只依赖于视频和训练期间从现成图像分割网络生成的伪分割地面实况。与现有方法不同，我们将场景表示为隐式语义场，通过渲染为基础的自我监督损失训练我们的架构，取得了接近完全监督最新方法的性能，并且表现出强大的泛化能力，可以为远距离视点合成准确的分割地图。

Oct, 2023

提出了一种名为 Symphonies 的新范式来实现 3D 语义场景完形填空任务，它通过从具有上下文感知的输入中派生的一组稀疏的实例查询来完成场景卷积物的构建，并通过在场景内部使用查询作为实例特征表示来交互影响图像和卷积物特征，提高对整个情境的综合理解，能够减轻由遮挡和透视误差产生的几何模糊，同时在具有挑战性的 SemanticKITTI 数据集上实现了 13.02 mIoU 的最佳效果。

Jun, 2023