← 返回 PaperDaily 视觉与图像

南方科技大学最新研究：室内占据预测告别体素分类，32个基元效果优于SOTA，速度3.7倍

室内占据预测，传统方法要么算得慢，要么基元浪费。南方科技大学这篇FLM-Occ，直接把问题换个角度定义——从分类变成估计分布，用最大似然训练。结果呢？只用32个基元，精度超越SplatSSC的1200个，速度还快了快4倍！这思路，有点东西。

龙哥读论文 阅读 4 查看原文
#3D渲染 #高斯泼溅 #模型架构 #损失函数 #预测模型
南方科技大学最新研究：室内占据预测告别体素分类，32个基元效果优于SOTA，速度3.7倍
🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header

龙哥推荐理由：
室内占据预测，传统方法要么算得慢，要么基元浪费。南方科技大学这篇FLM-Occ，直接把问题换个角度定义——从分类变成估计分布，用最大似然训练。结果呢？只用32个基元，精度超越SplatSSC的1200个，速度还快了快4倍！这思路，有点东西。


原论文信息如下：
论文标题:
FLM-Occ: Feed-forward Likelihood Maximization for Efficient Indoor Occupancy Prediction
发表日期:
2026年06月
发表单位:
南方科技大学
原文链接:
https://arxiv.org/pdf/2606.21373v1.pdf
项目链接:
https://gcchen97.github.io/flm-occ/
室内占据预测，就是给一张单目RGB图，让算法猜出房间里哪些地方有东西、是啥（墙、椅子等）。传统体素分类法把空间切成小方块逐个判断，计算量随体积立方级增长。近两年大家改用混合模型（如高斯体、超二次曲面），每个基元覆盖多个体素，算得快。但训练用体素分类损失，导致很多基元赖在空白区域不走，成了“占着茅坑不拉屎”。
FLM-Occ把问题从分类变成分布估计，用最大似然训练，让所有基元都去“解释”整个场景。
插图
视频：场景scene0024_00对比，上方SplatSSC（1200个高斯体），下方FLM-Occ（仅32个超二次曲面）。FLM-Occ基元更稀疏，几何边界更清晰，几乎没有冗余基元。

痛点揭秘：为何传统方法会在空区域“虚占茅坑”？

以GaussianFormer、SplatSSC等方法为例，它们初始化一堆基元，根据图像特征调整位置形状，再体素化后用体素分类损失监督。问题在于：当一个占据体素已被某些基元覆盖，其他远离的基元几乎收不到梯度信号。这些“空基元”接收不到“搬家”指令，就成了计算冗余。
图2：四种基于高斯的占据预测方法对比。
图2：GaussianFormer、GaussianFormer-2和SplatSSC都在空白区域留下大量冗余基元，而FLM-Occ通过MLE训练将基元精确迁移到占据区域。
论文Fig. 3左边（a）展示了体素分类损失下，远离占据区域的基元收不到有效梯度，无法挪动。右边（b）是MLE，占据体元的梯度可传递到所有基元，给远距离基元明确的“搬家”指示。
图3：体素分类损失(a)与MLE(b)下单个基元训练损失的信息流对比图。
图3：MLE下占据体元的梯度可传递到所有基元，即使离得很远。

破局之法：基于最大似然估计的FLM损失函数

FLM的核心：将占据预测重新定义为体素分布估计问题。用最大似然估计，找到一组基元参数，使所有真实占据体素出现的联合概率最大。模型全局上让所有基元尽力“解释”整个场景。
FLM损失由两项构成：体积项惩罚基元总体积，压缩其贴合占据区域；密度项要求每个占据体素处密度尽可能大，将基元拉过去。两项共同作用，解决“虚占茅坑”。
图4：FLM损失中两项作用的2D示意图。体积项压缩基元以匹配体素形状，密度项则将基元拉向体素位置。
图4：左侧初始基元均匀分布，经FLM训练后（右侧），体积项压缩形状，密度项拉到占据体素（红点）附近。
每个占据体素能为所有基元提供有效梯度，远距离基元也能收到“搬家指示”，实现端到端全局优化。

巧妙的实现：归一化体积与端到端训练的难题破解

实现有两个坑：
插图
视频：场景scene0032_00对比，SplatSSC（上） vs FLM-Occ（下）。FLM-Occ基元可从均匀分布位置长距离“瞬移”到沙发、床上。

坑一：混合权重的单纯性约束

标准混合模型里，每个基元权重加和为1。论文解法：将混合权重定义成归一化的基元体积。每个基元体积vj，权重wj=vj/∑vk，自动满足约束，且大基元权重更高，逻辑自洽。

坑二：新的体素化公式

FLM的MLE范式下，论文推导了基于密度的体素化公式：某体素x的占据概率是所有基元在该点密度贡献之和；语义分数是该类别下所有基元贡献的和。
FLM-Occ架构精简：输入RGB图，用Depth Anything v2提取特征，通过4个残差精炼块，直接对均匀分布的初始基元进行移动变形，输出占据网格。损失只计算在占据区域上，计算量大降。
图5：FLM-Occ整体框架（左侧）及精炼块结构（右侧）。FLM-Occ通过图像特征引导，将初始化的基元逐步精炼为场景表示。
图5：FLM-Occ由图像编码器、初始可学习基元、四个残差精炼块和体素化模块组成，结构简洁。

实验结果：少即是多，32个基元即可超越SOTA

在Occ-ScanNet和Occ-ScanNet-mini2上评估，结果震撼。

主要量化结果（表2）

FLM-Occ在Occ-ScanNet上全面SOTA：
表2：在Occ-ScanNet数据集上的定量对比结果。
表2：FLM-Occ用1024个超二次曲面达64.0% mIoU，比SplatSSC（51.8%）提升12.2个百分点。仅用32个超二次曲面时，55.9% mIoU已超过SplatSSC（51.8%）和EmbodiedOcc（45.2%，16200个高斯体）。

精度-效率权衡（表4及图6）

FLM-Occ在精度-效率曲线上表现完美：
图6：精度与表示大小（基元数量）的关系。
图6：FLM-Occ用512个超二次曲面（IoU: 71.4%, mIoU: 63.6%, 26.2 FPS）显著优于SplatSSC（62.8% IoU, 51.8% mIoU, 8.7 FPS）。
基元移动距离统计：SplatSSC约0.15米，FLM-Occ约1.2米，说明其具备远程精确“搬迁”能力。

消融实验（表3）

消融实验表明，微调ViT（相对深度特征）提升极大（mIoU从43.9%到59.2%），密度正则化Lreg带来1-2%增益。
表3：不同网络配置下的性能对比消融实验。
表3：网络配置消融实验，微调ViT和密度正则化均有效。

可视化对比（图8）

FLM-Occ基元分布紧凑稀疏，体素边界清晰锐利。
图8：在Occ-ScanNet数据集上的定性对比结果。
图8：SplatSSC在空区域有大量噪声，FLM-Occ（32或1024基元）几乎没有冗余，预测更干净精确。

总结与展望：道路宽敞，未来可期

FLM-Occ提出新训练范式，将分类转为分布估计，配合MLE损失实现基元精准远程部署。这是对问题定义层的革新。后续可融合时序信息、扩展到动态场景或更细粒度语义标签。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

FLM损失到底跟普通的体素分类损失有什么区别？体素分类损失只看局部，当体素被覆盖好时其他基元收不到梯度。FLM损失最大化所有占据体素的联合概率，每个占据体素影响所有基元，具有全局视野，引导基元长距离移动。

超二次曲面（Superquadric）和高斯体（Gaussian）有什么区别？高斯体形状固定（椭球），超二次曲面通过形状参数可模拟长方体、圆柱等多样形状。基元少时超二次曲面更优，高斯体随数量增加效果逼近。

这个方法可以应用到自动驾驶场景吗？论文针对室内场景，但FLM核心思想通用。自动驾驶场景更大、物体更远，FLM-Occ的远程移动能力契合需求，需适配视角和语义类别，是很有潜力的方向。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★★

从分布估计视角解决基元冗余，提出配套损失和归一化体积技巧，思路新颖开创。

实验合理度：★★★★★

实验完善，涵盖多种基元、数量、消融，与SOTA公平对比，说服力强。

学术研究价值：★★★★★

提出基于MLE的新训练范式，对混合模型在3D视觉中的应用有启发性。

稳定性：★★★★☆

多配置下稳定超越SOTA，对基元数量减少鲁棒。室外场景稳定性待验证。

适应性以及泛化能力：★★★★☆

在不同基元数量和类型上泛化良好，但仅验证室内场景，泛化性需更多测试。

硬件需求及成本：★★★★★

推理仅需RTX 3090达26+ FPS（512基元），远优于SplatSSC的8.7 FPS，成本极低。

复现难度：★★★★☆

方法描述详细，代码将开源。主要难点在体素化操作，开源后难度降低。

产品化成熟度：★★★☆☆

具身智能核心组件，效率与精度具备产品化潜力，需验证更多环境下的鲁棒性。

可能的问题：FLM损失收敛性分析未做，极端场景可能优化不稳定。当前体素粒度较粗（0.08m），更精细任务表现未知。整体瑕不掩瑜。


主要参考文献

[1] Guanying Chen, et al. FLM-Occ: Feed-forward Likelihood Maximization for Efficient Indoor Occupancy Prediction. arXiv:2606.21373v1, 2026.
[2] Z. Li et al. SplatSSC: Gaussian Splatting for Semantic Scene Completion. ICLR, 2025.
[3] Y. Huang et al. EmbodiedOcc: Embodied Scene Completion using Mixture Models. ECCV, 2024.
[4] A. Dai et al. Scannet: Richly-annotated 3D Reconstructions of Indoor Scenes. CVPR, 2017.
[5] Yang et al. Depth Anything v2. ECCV, 2024.
项目主页与代码：https://gcchen97.github.io/flm-occ/

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！       

end
欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如 图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
wechat_helper dianzan
转发文章 微博 X LinkedIn Facebook
龙哥读论文 · PaperDaily

本文基于龙哥读论文 PaperDaily 数据库整理，结合论文原文与工程视角进行解读。