论文链接：https://arxiv.org/pdf/2302.13540.pdf、

代码链接： https://github.com/megvii-research/OccDepth

结果图如上，有没有深度信息真的差别很大

1. 技术方法简介：该工作通过借鉴人类利用双眼感知3D世界中深度信息的能力，提出了一种名为OccDepth的语义场景补全方法。这种方法既显式也隐式地利用了图像中包含的深度信息，旨在帮助更好地恢复3D几何结构。

2. 技术实现细节：OccDepth方法通过两种主要途径来利用深度信息：一是显式的深度蒸馏，二是隐式的深度优化。这两种方式共同作用，以期达到更精确的3D几何结构恢复。

3. 实验结果与效果评估：在SemanticKITTI和NYUv2等公开数据集上进行的大量实验表明，OccDepth方法相比当前基于纯视觉的语义场景补全（SSC）方法有显著提升。具体来说，在SemanticKITTI数据集上，OccDepth方法实现了+4.82%的平均交并比（mIoU）提升，

4. +2.49%的提升归因于隐式深度优化，

5. +2.33%的提升来自于显式深度蒸馏。

网络结构：

Stereo moudule 通过双目的深度预计来

双目的关系

Correaltion weight

OAD module

教师和学生网络

深度voxel 和 3D的voxel 关系

为了防止overlap，他们设置了参数是 0.5和1.0

这个想法来自LSS的深度离散估计的方法。他们关注object，这篇是Occ，关注的是voxel

实验结果

减轻过拟合的技巧（TMO）

• 2D 预训练： OccDepth 中的2D 主干可以在大型实例分割数据集上进行预训练。这种预训练过程可以增强 2D 特征（F2D）中的语义信息。

• 数据增强：更强的数据增强可以缓解训练数据较少的问题。高斯模糊、灰度和色调调整是特别有用的增强方法。

• 损失权重调整：由于不同任务的损失规模不平衡，一些过拟合的损失会大大降低其他损失的优化效果。过拟合损失Lscal_sem会在训练过程中通过逐渐减小的权重γ来加权。 γ 计算如下：

γ = max(0.2, 1 − x/N)

其中 x 是当前训练步骤，N 是总训练步骤。