本文介绍了3D实例分割中使用的Occupancy Size作为度量标准，以增强性能，并提出了一种基于Occupancy Size的OccuSeg实例分割方法，其利用多任务学习产生了占用信号和嵌入表示，并使用聚类方案鼓励正确聚类难样本，避免过度分割，是目前在ScanNetV2、S3DIS和SceneNN等3个真实数据集上表现最优秀的方法。

Mar, 2020

本文提出了一种基于OccupancyM3D的单眼3D检测方法，通过利用同步的稀疏LiDAR点云，直接在截锥体和3D空间中学习占用情况，从而生成具有更强区分性和信息性的3D特征和表示，并通过占用预测来增强原始的截锥体/3D特征, 经KITTI和Waymo数据集实验结果表明，该方法达到了新的最佳表现，并远远超过了其他方法。

May, 2023

本技术报告介绍了UniOCC解决方案，它采用空间几何约束和体积光线渲染来提高3D占用预测性能，从而在CVPR2023的nuScenes Open Dataset Challenge中获得了51.27％的mIoU，在3D占用注释成本方面具有很大的潜力。

Jun, 2023

为了实现自动驾驶应用中的安全可靠的下游任务执行，我们提出了Cam4DOcc，一个基于仅相机图像的4D占据预测的基准。通过评估近期未来的周围场景变化，我们将基准建立在多个公开可得的数据集之上，并提供多样的基于相机的感知与预测实现方案，以及评估协议，用于在自动驾驶场景中与感兴趣对象相关的现在和未来占据估计的性能比较。

Nov, 2023

我们提出了一种自我监督的多摄像机占用预测OccNeRF方法，用于三维占用预测任务和语义占用预测任务。

Dec, 2023

通过利用2D标签，我们提出了一种基于神经辐射场（NeRF）的新方法来估计体素占据，结合时间渲染和占据流，进一步推进了体素占据预测，并且在该领域中取得了最先进的性能。

Feb, 2024

基于多传感器融合的3D占用预测方法OccFusion，使用无需深度估计的多模态融合以及相应的点云采样算法，通过主动训练方法和主动粗到细流程，提高了复杂场景中预测的准确性和鲁棒性，有效优化了计算资源需求。在开放占用评测中，该方法超过了现有基于多模态的最先进方法，并且训练和推理阶段更加高效。细致的消融研究证明了我们提出的技术的有效性。

Mar, 2024

提出了一种名为MonoOcc的方法，通过在框架的浅层引入辅助语义损失作为监督和利用图像条件下的交叉注意力模块来改进单目占据预测框架，并利用较低的硬件成本将时间信息和更丰富的知识从更大的图像主干传输到单目语义占据预测框架，从而取得了基于相机的SemanticKITTI场景完成基准测试中的最佳性能。

Mar, 2024

本文探讨了一种用于多视角图像的三维占位预测的新型点表示方法，名为点集占位。通过利用点的灵活性，我们提出了点兴趣（PoIs）来表示场景，并提出了一种新的基于点的三维占位预测框架OSP。OSP相较于现有方法在训练和推理适应性方面表现出色，并且在扩展传统感知边界和与基于体积的方法无缝集成以显著提高效果方面更为优越。在Occ3D nuScenes占位基准上的实验证明了OSP具有强大的性能和灵活性。代码和模型可在https://github.com/hustvl/osp找到。

Jul, 2024

本研究针对单目视觉在深度估计上的固有限制，提出了一种新颖的方法CVT-Occ，通过时间融合和体素之间的几何对应关系，提高3D占用预测的准确性。实验结果表明，该方法在Occ3D-Waymo数据集上 outperform 当前最先进的方法，实现了优秀的预测结果，且附加计算成本极低。

Sep, 2024