InverseMatrixVT3D: An Efficient Projection Matrix-Based Approach for 3D Occupancy Prediction

https://github.com/DanielMing123/InverseMatrixVT3D

InverseMatrix3D过程总结如下：

         1. 用2D backbone提取N个视角的多尺度图像特征，表示如下：

        2. 针对每个level的特征，都构造2个投影矩阵，分别叫全局投影矩阵和局部投影矩阵。

                全局投影矩阵表示如下：

                        

                局部投影矩阵表示如下：

                        

                 其中，X、Y、Z表示3D occ空间中每个grid的位置。矩阵是根据相机内、外参计算得到，作者没有预测depth。

        3. 各个level的局部特征和全局特征生成。

                局部特征：

                        

                全局特征：

                        

                其中，X^l表示该level的图像特征。作者发现，局部投影矩阵和全局投影矩阵比较稀疏，在这里，作者引入了稀疏矩阵。将对内存的消耗由15G降到了200M。

        4. 局部特征和全局特征融合。作者引入了全局-局部注意力融合模块，如下图所示。              

                用2d卷积、efficient window attention、aspp refine局部全局特征。用3d卷积、FFN（Feed-Forward Network）生成注意力权重。其中，σ为sigmoid函数。

        5. 在融合后的occ特征中，接occ head。

实验

消融实验