两阶段语义场景补全网络

41.8 FPS 实时运行

通过几何补全与俯视分割的两阶段结构，显著降低计算开销，在单张消费级显卡上实现实时语义场景补全。

Musen, Lin · 王文光

Neurocomputing 2025

参数信息

推理速度

41.8 FPS

BEV 方法排名

1

技术优势

计算成本骤降

几何补全和语义分割被拆成两个轻量阶段，避免同时处理体积和语义的高昂开销，让模型能在单个消费级 GPU 上实时运行。

速度快到可部署

在 NVIDIA GeForce GTX 1080 Ti 上达到 41.8 FPS，远超大多数现有方法，满足自动驾驶等场景的低延迟需求。

BEV 方法里最优

在 SemanticKITTI 基准上，Fast-SSC 的精度在所有基于鸟瞰图的方法中排名第一，说明两阶段设计没有牺牲准确性。

应用场景

• 3D 场景理解：为 3D 感知系统提供实时完整的语义场景，缩短从原始观测到环境描述的延迟。
• 自动驾驶感知：让自动驾驶车辆以低延迟完成语义补全，为路径规划和避障提供及时可靠的环境信息。
• 机器人导航：机器人可在移动中实时构建语义地图，用于导航和交互任务中的环境理解。
• 增强现实：快速补全被遮挡场景，让 AR 应用对真实环境做出响应式语义标注。
• 实时占用栅格建图：同时输出占用状态和语义标签，为实时建图任务提供紧凑的俯视表示。