摘要
语义场景补全（Semantic Scene Completion, SSC）旨在同时进行几何补全和语义分割。尽管现有研究已经取得了令人鼓舞的结果，但该任务固有的不适定性在多样化的驾驶场景中仍带来了显著挑战。本文介绍了一种名为TALoS的新颖测试时自适应方法，该方法挖掘了驾驶环境中可用的信息。具体而言，我们在某一时刻的观测可以作为另一时刻场景补全的地面真值（Ground Truth, GT）。鉴于LiDAR传感器的特性，对某一位置物体的观测不仅确认了1）该位置被占据，还确认了2）从LiDAR到该点视线范围内无障碍物。TALoS利用这些观测结果获得关于占据和空旷区域的自我监督信息，指导模型在测试时适应场景。类似地，我们汇总多个时刻中的可靠SSC预测，并将其作为语义伪地面真值（pseudo-GT）用于自适应。此外，为了利用当前不可获取的未来观测数据，我们提出了一种双优化方案，在该方案中模型更新会延迟到未来观测数据可用时进行。在SemanticKITTI验证集和测试集上的评估表明，TALoS显著提升了预训练SSC模型的性能。我们的代码可在https://github.com/blue-531/TALoS 获取。