本研究提出了一种新方法LeC$^2$O-NeRF，用于在大规模城市场景中学习连续紧凑的大规模占用网络。该方法通过引入不平衡占用损失和架构，提高了占用信息的紧凑性和准确性，并加速了NeRF的训练过程。

该研究提出了解决图像翻译偏差问题的新框架，通过目标到源的翻译和预测标签中的重构实现。实验结果表明，该方法在城市场景理解中表现良好。