基于视觉的3D占用网络汇总
综述文章：https://arxiv.org/pdf/2405.02595
基于视觉的3D占用预测方法的时间线概述：
自动驾驶中基于视觉的3D占用预测的分层结构分类
2023年的方法：
TPVFormer, OccDepth, SimpleOccupancy, StereoScene, OccupancyM3D, VoxFormer, OccFormer, OVO, UniOcc, MiLO, Multi-Scale Occ, PanoOcc, Symphonies, FB-OCC, UniWorld, PointOcc, RenderOcc, FlashOcc, OccWorld, DepthSSC, OctreeOcc, COTR, SGN, OccNeRF, Vampire, RadOcc, SparseOcc
2024年的方法：
SelfOcc, S2TPVFormer, POP-3D, UniVision, InverseMatrixVT3D, OccFlowNet, CoHFF, OccTransformer, FastOcc, MonoOcc
论文汇总：
TPVFormer: An academic alternative to Tesla’s Occupancy Network
论文地址：https://arxiv.org/pdf/2302.07817
代码地址：https://github.com/wzzheng/TPVFormer
OccDepth: A Depth-Aware Method for 3D Semantic Scene Completion
论文地址：https://arxiv.org/abs/2302.13540
代码地址: https://github.com/megvii-research/OccDepth
SimpleOccupancy: A Simple Framework for 3D Occupancy Estimation in Autonomous Driving
论文地址：https://arxiv.org/pdf/2303.10076
代码地址：https://github.com/GANWANSHUI/SimpleOccupancy
StereoScene: Bridging Stereo Geometry and BEV Representation with Reliable Mutual Interaction for Semantic Scene Completion
论文地址：https://arxiv.org/pdf/2303.13959v3
代码地址：https://github.com/Arlo0o/StereoScene
原文地址：https://blog.csdn.net/stephanezhang/article/details/144373905
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！