AAAI26 | 刷榜自动驾驶语义场景补全！北大新作：高维度、高密度（

1.自动驾驶ai技术

视觉语义场景补全旨在从多视角图像中重建完整的三维语义场景，即预测空间中每个体素的几何占用状态与语义类别，实现对复杂环境的精细感知与重建，在自动驾驶、机器人导航等场景中具有重要的研究和应用价值然而，现有视觉语义场景补全方法往往忽视了自动驾驶道路场景中2D输入和3D输出之间的维度差异，以及人工标注和真实场景之间的密度差异，难以准确预测立体视角下的密集场景补全结果。

2.自动驾驶api

针对这一问题，北京大学彭宇新教授团队提出了「高维度-高密度」语义场景补全方法HD²-SSC，首先通过高维度语义解耦将平面图像特征扩展为伪体素化特征与立体场景特征进行对齐；然后通过高密度占用优化增强三维场景的信息密度，补全和修正错误体素预测，实现准确的语义场景补全。

3.自动驾驶 论坛

论文链接：https://arxiv.org/abs/2511.07925代码仓库：https://github.com/PKU-ICST-MIPL/HD2-AAAI2026实验室网址：https://www.wict.pku.edu.cn/mipl

4.自动驾驶 nlp

HD²-SSC在两个常用自动驾驶数据集SemanticKITT和SSCBench-KITTI-360上均取得了当前最优的性能背景与动机语义场景补全任务旨在从多视角图像或稀疏点云中重建完整的三维语义场景，为下游任务提供体素级别的场景理解。

5.自动驾驶技术交流论坛

近年来，视觉语义场景补全方法由于图像传感器在实际应用场景中部署的低成本和灵活性，逐渐成为研究热点。

6.自动驾驶语言

视觉语义场景补全任务中的维度差异和密度差异研究人员分析了现有视觉语义场景补全方法所面临的挑战，如图1所示：1.