0. 简介
环视BEV已经是很多场景中需要的功能，也是视觉代替激光雷达的有效解决方案，而《SurroundOcc: Multi-camera 3D Occupancy Prediction for Autonomous Driving》一吻则代表了这个领域的SOTA算法，文中通过多帧点云构建了稠密占据栅格数据集，并设计了基于transformer的2D-3D Unet结构的三维占据栅格网络。同时也开源立相关的算法，并可以在Github中找到。
1. 主要贡献
文中提出了一种SurroundOcc方法，旨在通过多摄像头图像输入来预测密集和准确的三维占据情况。
- 我们首先使用一个二维骨干网络从每个图像中提取多尺度特征图。然后，我们执行二维-三维空间注意力，将多摄像头图像信息提升到三维体积特征而不是BEV特征。
- 然后，我们使用三维卷积网络逐步上采样低分辨率体积特征，并将其与高分辨率特征融合，以获得细粒度的三维表示。在每个级别上，我们使用衰减加权损失来监督网络。
- 为了避免昂贵的占据注释，我们设计了一个流程，只使用现有的三维检测和三维语义分割标签生成密集的占据真值。具体而言，我们首先分别组合动态物体和静态场景的多帧点云。然后，我们利用Poisson重建[24]算法进一步填补空洞。最后，我们使用NN和体素化来获得密集的三维占据标签。有了密集的占据真值，我们训练模型并在nuScenes [7]数据集上与其他最先进的方法进行比较。定量结果和可视化结果都证明了我们方法的有效性。
2. 整体流程
2.1 问题阐述
2.2 概述
图2. 提出方法的流程。首先，我们使用骨干网络提取多摄像头图像的多尺度特征。然后，我们采用2D-3D空间注意力来融合多摄像头信息，并以多尺度方式构建3D体积特征。最后，使用3D反卷积层对3D体积进行上采样，并在每个层级上进行占据预测的监督
2.32D-3D空间注意力
许多3D场景重建方法[8, 37]通过将多视角2D特征重新投影到已知姿态的3D体积中，将2D特征整合到3D空间中。网格特征通过简单地对该网格中的所有2D特征进行平均计算得到。然而，这种方法假设不同视角对3D体积的贡献相等，这并不总是成立，特别是当一些视角被遮挡或模糊时。
图3. 基于3D和BEV的交叉视图注意力的比较。基于3D的注意力可以更好地保留3D信息。对于每个3D体积查询，我们将其投影到相应的2D视图中进行特征采样