[论文解读] VoxFormer: Sparse Voxel Transformer for Camera-based 3D Semantic Scene Completion

Yiming Li, Zhiding Yu+6 more|arXiv (Cornell University)|Feb 23, 2023

Advanced Vision and Imaging被引用 8

一句话总结

VoxFormer 引入一个两阶段 Transformer 框架，首先根据图像深度生成稀疏的 3D 体素查询，然后通过类似掩码自编码器的架构将其密化，在 SemanticKITTI 上实现基于相机的先进三维语义场景完成。

ABSTRACT

Humans can easily imagine the complete 3D geometry of occluded objects and scenes. This appealing ability is vital for recognition and understanding. To enable such capability in AI systems, we propose VoxFormer, a Transformer-based semantic scene completion framework that can output complete 3D volumetric semantics from only 2D images. Our framework adopts a two-stage design where we start from a sparse set of visible and occupied voxel queries from depth estimation, followed by a densification stage that generates dense 3D voxels from the sparse ones. A key idea of this design is that the visual features on 2D images correspond only to the visible scene structures rather than the occluded or empty spaces. Therefore, starting with the featurization and prediction of the visible structures is more reliable. Once we obtain the set of sparse queries, we apply a masked autoencoder design to propagate the information to all the voxels by self-attention. Experiments on SemanticKITTI show that VoxFormer outperforms the state of the art with a relative improvement of 20.0% in geometry and 18.1% in semantics and reduces GPU memory during training to less than 16GB. Our code is available on https://github.com/NVlabs/VoxFormer.

研究动机与目标

• 通过预测车辆前方的密集三维语义，实现单目/立体图像的完整 3D 场景理解的动机与能力。
• 通过利用稀疏的三维查询表示，解决基于相机的 SSC 中 2D-to-3D 特征投影的低效与歧义。
• 提出一个两阶段架构，先重建可见结构再对遮挡区域进行幻影还原。
• 在训练内存方面优于现有基于相机的 SSC 方法，并提升几何与语义完成质量。

提出的方法

• Stage-1：基于深度校正的占用率，提出无类别偏好（class-agnostic）的查询，从预定义的 Q 网格中选择一组稀疏的 3D 体素查询。
• Stage-2：一个 MAE 风格的稀疏到密集 Transformer，先通过与 2D 图像特征进行跨注意力，丰富提议体素的特征，然后利用可变形自注意力完成所有体素的填充，随后上采样至密集的逐体素语义。

实验结果

研究问题

• RQ1 两阶段稀疏到密集的 Transformer 框架是否能在 SemanticKITTI 上提高基于相机的 SSC 对比当前最先进方法的性能？
• RQ2 基于深度的查询提案是否有助于通过聚焦于被占据区域来减少计算并提高准确性？
• RQ3 时间信息（多帧）对 VoxFormer 的几何完成与语义分割有何影响？
• RQ4 在 ego-vehicle 前方不同距离下，VoxFormer 相对于 LiDAR 基于 SSC 的方法表现如何？

主要发现

Method	Modality	IoU_12.8m (%)	IoU_25.6m (%)	IoU_51.2m (%)	mIoU_12.8m (%)	mIoU_25.6m (%)	mIoU_51.2m (%)
MonoScene	Camera	38.42	38.55	36.80	12.25	12.22	11.30
VoxFormer-T (Ours)	Camera	65.38	57.69	44.15	21.55	18.42	13.35
VoxFormer-S (Ours)	Camera	65.35	57.54	44.02	17.66	16.48	12.35

• VoxFormer-T 与 VoxFormer-S 在 SemanticKITTI 上实现了基于相机的最先进 SSC 结果，在 12.8m 时 IoU 为 65.38%、mIoU 为 21.55%，在 51.2m 时 IoU 为 44.15、mIoU 为 13.35。
• VoxFormer 在几何完成方面显著优于 MonoScene（在 51.2m 的 IoU 为 44.15% 比 VoxFormer-T 的 36.80% 高），语义准确率亦高（mIoU 11.30% 对 13.35%），并在近距离的安全关键区域实现了大幅提升。
• 时间信息（VoxFormer-T）在各距离段的 mIoU 上带来显著提升（例如在全量、51.2m、25.6m 与 12.8m 区域分别提升 +8.10% 至 +22.03%）。
• VoxFormer 通过深度基准查询提案来减少空白区域注意力，训练内存约 16GB、参数约 6000 万，且在近场区域超过若干基于 LiDAR 的方法。
• 在立体深度条件下，VoxFormer-S 与 VoxFormer-T 相较单目深度显示出进一步改进，凸显了准确深度对三维场景完成的益处。