RayLift：利用 3D 几何先验提升互补的光线证据以完成语义场景

基于摄像头的 3D 语义场景完成 (SSC) 为自动驾驶和机器人技术提供全面的场景理解。然而，现有方法通常将立体深度估计视为确定性几何约束，导致深度不确定性和局部对应误差直接传播到体素表示中。为了解决这个问题，我们提出了 RayLift，这是一个使用立体几何作为度量参考的框架，同时结合互补的光线证据来自适应地恢复可靠的 3D 结构。 RayLift 首先采用互补上下文编码器，从冻结的 3D 视觉基础模型中提取几何感知先验，从而丰富场景上下文。然后，它引入了深度射线证据提升器模块，该模块对几何差异、深度置信度和空间不确定性进行联合建模，以沿每条相机射线自适应地采样和加权候选表面位置。最后，语义感知体素积分器通过显式建模其空间支持，将生成的射线证据注入到体素特征中。 SemanticKITTI 和 SSCBench-KITTI-360 上的大量实验表明，RayLift 实现了有竞争力的性能，并且始终优于现有方法。