性能提升44%！浙大提出LiCROcc：Radar Occ的春天来了？

语义场景补全（SSC）作为自动驾驶中的一项关键技术，因其能够提供详细的3D场景信息而受到了广泛关注。相机和激光雷达是用于SSC任务最普遍的传感器，每种都有其优势和局限性。相机提供了丰富的语义上下文，但缺乏深度信息，并且容易受到光照和天气条件的影响。而激光雷达提供了精确的3D几何信息，但在处理高度稀疏输入时表现不佳，并且由于密集激光雷达传感器的高成本而限制了其广泛应用。另一方面，雷达作为一种在自动驾驶中越来越受欢迎的、能够抵抗恶劣天气条件的传感器，因其车规级设计和可负担性而受到重视。尽管雷达在多样化的天气和光照条件下具有鲁棒性，但其稀疏和嘈杂的测量结果对于大规模户外场景的SSC来说是一个重大挑战。

最近的大多数研究主要集中在基于雷达的检测上。仅有少数研究探索了雷达传感器在SSC任务中的应用。然而，它们只能使用雷达预测极少数类别的占用情况或作为多模态输入的补充。此外，我们发现尽管雷达在对抗不利天气条件和光照变化方面具有固有的优势，如表I和图1所示，但基于雷达的和基于激光雷达/相机的SSC方法之间仍然存在显著的性能差距。为了解决上述挑战，在这项工作中，我们探索将雷达作为SSC的核心传感器，并设定了新的性能标准。