摘要
本文重新审视了语义场景补全（Semantic Scene Completion, SSC）这一任务，旨在预测三维场景的语义与占据表示。现有方法通常基于体素化场景表示，以保持场景的局部结构信息。然而，由于存在大量可见的空体素，当网络深度增加时，这些方法往往面临严重的计算冗余问题，从而制约了补全质量的提升。为解决这一困境，本文提出了一种新颖的点-体素聚合网络（point-voxel aggregation network）。首先，通过移除可见的空体素，将体素化场景转换为点云，并引入深度点云流，高效地捕捉场景中的语义信息。同时，设计了一个轻量级体素流，仅包含两个3D卷积层，以保留体素化场景的局部结构特征。此外，我们提出了一种各向异性体素聚合算子，用于将体素流中的结构细节融合至点云流中；并设计了一个语义感知传播模块，通过语义标签增强点云流中的上采样过程。实验结果表明，本方法在两个主流基准数据集上均显著超越现有最先进方法，且仅以深度图像作为输入。