并非所有体素都相等：具有自我蒸馏的硬度感知语义场景补全

提出了一种点-体素聚合网络，通过深度点流捕捉场景语义信息，轻量化体素流保持局部结构。

基于几何学的策略结合深度信息与低分辨率体素表示，采用半监督学习引导占用推理和语义标签推断。

使用密集-稀疏-密集设计，结合几何先验和占据信息，扩散语义以实现基于相机的语义场景完成。

提出各向异性卷积模块，解决物体形状、布局和可见性变化的挑战，增强体素模型的建模能力。

开发了端到端的三维卷积神经网络 SSCNet，同时输出体素的占用和语义标签，表现优于传统方法。

DepthSSC 方法通过动态调整体素分辨率，解决空间错位和畸变问题，取得最先进的性能。

S4C 是一种自我监督方法，从单张图像重建场景，表现出强大的泛化能力。

综述了语义场景完整性技术，分析了方法和数据集的性能。

提出实时语义场景完整方法，具有特征聚合策略和条件预测模块，取得竞争力性能。

Symphonies 新范式通过上下文感知的输入完成场景卷积物的构建，在 SemanticKITTI 数据集上实现最佳效果。