V2VSSC：一项用于感知的三维语义场景补完基准测试，基于车辆到车辆通信
内容提要
本文综述语义场景补全（SSC）技术，涵盖SSCBench基准、PointSSC车路协同点云基准及DepthSSC单目方法。Symphonies利用稀疏实例查询提升3D补全，SSC-RS采用表示分离与BEV融合，S4C实现自监督。研究还探索V2V通信增强感知，并评估各算法在SemanticKITTI等数据集上的性能。
延伸解读
V2V通信如何增强感知
文章指出，利用车辆间通信（V2V）聚合附近多车信息，可从不同视角观察同一场景，穿透遮挡并检测长距离目标。通过压缩深度特征图激活，在满足通信带宽要求的同时实现高精度感知。这为自动驾驶在遮挡和远距离场景下的感知提供了新思路。
单目与协同方案的对比
DepthSSC基于单目摄像机，通过ST-GF模块和几何感知体素化动态调整分辨率，解决空间错位和畸变，在SemanticKITTI上达到最先进性能。而PointSSC则利用车路协同点云作为轻量级替代方案。两者分别代表了单车视觉与协同感知的不同技术路径。
自监督SSC的进展与局限
S4C是首个自监督SSC方法，不依赖3D完整数据，仅用视频和伪分割标签训练，将场景表示为隐式语义场。其性能接近完全监督方法，并展现出强泛化能力，可合成远距离视点的准确分割图。这降低了对昂贵3D标注的依赖，但可能仍受伪标签质量影响。
基准测试推动SSC发展
SSCBench综合了广泛使用的汽车数据集，对现有算法进行定量和定性评估，并承诺持续纳入新数据集和算法。PointSSC则是首个车路协同点云基准，旨在度量真实导航中语义点云补全的进展。这些基准为公平比较和领域发展提供了重要基础。
Q&A
V2VSSC 是什么？
V2VSSC 是一项用于感知的三维语义场景补完基准测试，基于车辆到车辆通信。
SSCBench 是什么？
SSCBench 是一个综合基准数据集，包括广泛使用的汽车数据集，用于推动自动驾驶场景中语义场景补全（SSC）的发展。
PointSSC 是什么？
PointSSC 是首个针对语义场景补全的车辆基础设施合作点云基准，利用点云作为轻量级替代方案，提供语义标签的室外点云场景基准测试。
DepthSSC 方法有什么特点？
DepthSSC 是一种基于单目摄像机的三维语义场景完成方法，通过 ST-GF 模块和几何感知体素化相结合，动态调整体素分辨率，解决空间错位和畸变问题，在 SemanticKITTI 数据集上取得最先进性能。
Symphonies 在语义场景补全中有什么创新？
Symphonies 通过从上下文感知输入中派生的一组稀疏实例查询来完成场景卷积物的构建，使用查询作为实例特征表示来交互影响图像和卷积物特征，减轻几何模糊，在 SemanticKITTI 数据集上实现了 13.02 mIoU 的最佳效果。
S4C 方法有什么特点？
S4C 是第一种自我监督方法，不依赖于 3D 完整数据，能够从单张图像中重建场景，只依赖于视频和伪分割地面实况，将场景表示为隐式语义场，通过渲染为基础的自我监督损失训练，性能接近完全监督方法。
V2V 通信如何增强自动驾驶感知？
通过聚合来自多个附近车辆的信息，可以从不同视角观察相同场景，穿透遮挡物并检测长距离行为者，使用压缩的深度特征图激活方法，达到高精度并满足通信带宽要求。
SSC-RS 方法是什么？
SSC-RS 是一种基于表示分离和 BEV 融合的方法，用于室外场景的语义场景补全，在 SemanticKITTI 数据集上取得了最先进的性能。
