BEV-Denoise：学习内在噪声以实现准确的鸟瞰语义分割

在本文中，我们提出了一个名为 \textbf{BEV-Denoise} 的框架，该框架从学习的鸟瞰图（BEV）特征中估计并消除内在噪声，以实现准确的 BEV 语义分割。受去噪扩散概率模型（DDPM）噪声估计能力的启发，我们设计了一个基于 UNet 的噪声估计模块，该模块学习从学习的 BEV 特征中估计噪声。然后从 BEV 特征中减去估计的噪声，并将其馈送到 BEV 地图解码器以获得最终预测结果。为了促进对噪声估计模块的监督，我们遵循称为任务分解（TD）的顺序学习范例，其中使用预训练的 BEV 图自动编码器来训练视图变换（VT）编码器。我们分享从大量实验中获得的三个关键见解，这些见解对于提高性能至关重要。我们将我们的框架应用于四个现有模型，涵盖三个主要的 VT 范式。大规模现实世界数据集 nuScenes 上的实验结果证明了我们框架的有效性。