VPOcc：利用消失点进行单目三维语义占据预测

MonoOcc 方法通过引入辅助语义损失和交叉注意力模块，提升了单目占据预测的性能。

PointOcc 模型采用圆柱三视角视图，显著提高了速度和性能，适用于自动驾驶的密集体素分割。

VPSeg 模型利用消失点先验知识，在 Cityscapes 和 ACDC 数据集上实现了高准确性和较低计算开销。

PVO 框架通过图像全景分割指导视觉里程计，优化了视觉里程计和视频全景分割的性能。

TPV 表示法和基于注意力机制的编码器有效提升了自动驾驶中的三维场景描述能力。

UniOCC 解决方案通过空间几何约束和体积光线渲染，提高了 3D 占用预测性能。

SparseOcc 网络通过稀疏实例查询和时间建模，实现了实时的占用预测。

PanoSSC 模型统一了几何重建、三维语义分割和实例分割，取得了竞争力的结果。

PanoOcc 方法聚合多帧和多视角图像的时空信息，提升了摄像机的 3D 场景理解能力。

基于 FB-BEV 的解决方案在 3D 占用预测挑战中获得了最先进的 mIoU 得分。