自动驾驶

BEV-Denoise: Learning Intrinsic Noise for Accurate Bird's-Eye-View Semantic Segmentation

BEV-Denoise：学习内在噪声以实现精确的鸟瞰图语义分割

Dooseop Choi, Kyounghwan An, Kyoung-Wook Min

机构 * Electronics and Telecommunications Research Institute (ETRI)（韩国电子通信研究院） ； University of Science and Technology (UST)（科学技术联合大学院大学） 纠错

专题命中 BEV与占用 ：BEV(title,title_cn)；分类 cs.CV、cs.AI

AI总结 提出BEV-Denoise框架，利用UNet噪声估计模块从鸟瞰图特征中去除内在噪声，通过任务分解学习范式训练，提升多种视图变换模型的语义分割精度。

Intend, Reflect, Refine: An Adaptive Multimodal Reflection Framework for Autonomous Driving

意图、反思、优化：一种用于自动驾驶的自适应多模态反思框架

Zisheng Chen, Yuping Qiu, Jianhua Han, Tao Tang, Xiuwei Chen, Likui Zhang, Ying-Cong Chen, Hang Xu, Xiaodan Liang

机构 * Sun Yat-sen University（中山大学） ； HKUST(GZ)（香港科技大学（广州）） ； Yinwang Intelligent Technology Co. Ltd.（引望智能科技有限公司） 纠错

专题命中 BEV与占用 ：BEV(summary_cn,abstract)；autonomous driving(title,abstract)；分类 cs.CV、cs.AI

AI总结 提出IRR-Drive框架，通过生成初步文本意图并预测未来语义BEV表示，构建双模态反思空间，实现自适应轨迹修正，在NAVSIM基准上达到最优性能。

LightOcc: Lightweight Spatial Embedding for Efficient Vision-based 3D Occupancy Prediction

LightOcc: 用于高效基于视觉的3D占用预测的轻量级空间嵌入

Jinqing Zhang, Yanan Zhang, Wenrui Cai, Qingjie Liu, Yunhong Wang

机构 * State Key Laboratory of Virtual Reality Technology and Systems（虚拟现实技术与系统国家重点实验室） ； Beihang University（北京航空航天大学） ； School of Computer Science and Information Engineering（计算机科学与信息工程学院） ； Hefei University of Technology（合肥工业大学） ； Hangzhou Innovation Institute（杭州创新研究院） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；BEV(abstract,abstract_cn)；分类 cs.CV

AI总结 针对现有占用预测方法使用体素特征导致计算和内存开销大的问题，提出轻量级空间嵌入（Lightweight Spatial Embedding），通过单通道占用和空间到通道机制压缩高度信息，结合跨视图交互和边缘感知嵌入，在多个基准上实现最先进性能并显著提升效率。

Comments Accepted by International Journal of Computer Vision (IJCV), 2026

Humanoid-OmniOcc: Stereo-Based Full-View Occupancy Dataset for Embodied AI

Humanoid-OmniOcc：面向具身智能的立体全景占用数据集

Xianda Guo, Bohao Zhang, Chenwei Huang, Shiyuan Chen, Ruilin Wang, Yiqun Duan, Cong Yang, Qin Zou, Wei Sui

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； D-Robotics（地瓜机器人） ； Soochow University（苏州大学） ； UTS（悉尼科技大学） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；autonomous driving(abstract)；分类 cs.RO、cs.CV

AI总结 针对现有占用数据集局限于自动驾驶场景的问题，提出面向人形机器人的大规模全景立体占用数据集Humanoid-OmniOcc，采用Real2Sim2Real闭环范式，并设计立体引导占用模型，在模拟和真实环境中均优于单目基线。

FLM-Occ: Feed-forward Likelihood Maximization for Efficient Indoor Occupancy Prediction

FLM-Occ: 前向似然最大化用于高效室内占据预测

Guangcheng Chen, Lihuang Fang, Huaqi Tao, Yicheng He, Li He, Hong Zhang

机构 * Southern University of Science and Technology（南方科技大学） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (Shenzhen)（广东省人工智能与数字经济实验室（深圳）） ； Shenzhen Key Laboratory of Robotics and Computer Vision（深圳市机器人视觉与感知重点实验室） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；分类 cs.RO、cs.CV

AI总结 针对现有方法在空区域产生虚假基元的问题，提出前向似然最大化框架，将占据预测建模为体素分布估计，通过最大化真实占据体素的似然来训练网络，实现高效准确的室内占据预测。

Comments Accepted to ECCV 2026

Toward Parking Spot Occupancy Recognition: A Self-Supervised Approach

面向停车位占用识别的自监督方法

Luan Marko Kujavski, Rayson Laroca, Paulo Lisboa de Almeida

机构 * Federal University of Paraná（巴拉那联邦大学） ； Pontifical Catholic University of Paraná（巴拉那天主教大学） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；分类 cs.CV

AI总结 提出一种无需目标停车场标签的自监督方法，通过两阶段自监督训练和微调，在三个公开数据集上平均准确率达97.2%，两阶段策略进一步提升至97.8%。

Comments Accepted for presentation at the 2026 IEEE International Conference on Systems, Man, and Cybernetics (SMC 2026)

Streaming Dense Voxel Representations for 3D Occupancy Prediction

用于3D占用预测的流式密集体素表示

Seokha Moon, Janghyun Baek, Yujin Jeong, Daewon Chae, Giseop Kim, Jungbeom Lee, Jinkyu Kim, Sunwook Choi

机构 * 1 Korea University 2 TU Darmstadt \& hessian.AI 3 University of Michigan 4 DGIST 5 NAVER LABS 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)；分类 cs.CV

AI总结 提出StreamOcc框架，通过两种聚合策略解决密集体素流式处理中的扭曲和动态对象退化问题，在实时约束下实现SOTA性能。

Comments Accepted at ECCV 2026

Reward-free Pretraining for Reinforcement Learning via Occupancy Coverage Maximization

通过占据覆盖最大化进行强化学习的无奖励预训练

Marco Pratticò, Pietro Novelli, Massimiliano Pontil, Carlo Ciliberto

机构 * Computational Statistics and Machine Learning - Istituto Italiano di Tecnologia（计算统计与机器学习 - 意大利技术研究院） ； AI Centre, Computer Science Department, University College London（人工智能中心，计算机科学系，伦敦大学学院） 纠错

专题命中 BEV与占用 ：occupancy(title,abstract)

AI总结 提出一种无奖励预训练方法ROVER，通过最大化状态占据测度的覆盖来学习可迁移探索策略，在稀疏奖励下游任务中快速适应。

Entropy Geometry and Augmented Mobility for Reactive Maxwell--Stefan Membrane Transport with Finite Occupancy

有限占据下反应性Maxwell-Stefan膜传输的熵几何与增强迁移率

E. Yu. Shchetinin, A. A. Shevchuk, S. I. Salpagarov

专题命中 BEV与占用 ：occupancy(title,abstract)

AI总结 研究有限占据约束下反应性Maxwell-Stefan膜传输系统，通过秩一增强迁移率恢复强制性和全局存在性，并证明弱强稳定性与有限体积逼近收敛性。

Comments 10 pages, no figures

Mode Collapse in Nested Sampling

嵌套采样中的模式坍缩

Johannes Buchner

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 本文通过遗传学中的中性Moran过程，将嵌套采样中模式意外丢失建模为活点占用的对称随机游走，并给出了避免模式消亡的最小活点数规则。

Comments submitted to Statistics & Computing

Limits of Trap-assisted Photomultiplication Gain

陷阱辅助光电倍增增益的极限

Ardalan Armin

专题命中 BEV与占用 ：occupancy(abstract)

AI总结 本文通过最小分析框架研究陷阱辅助电流注入光电二极管的增益，发现增益本质自限，且增益引入非负波动惩罚，局部探测率存在有限最优值，无法超越本征热力学极限。