核心发现
方法论
本文提出了一种新的前馈似然最大化（FLM）框架，将占用预测重新定义为体素分布估计。通过训练网络预测混合模型，使其在前馈过程中最大化地面真实占用体素的似然。我们定义混合权重为归一化的原始体积，以隐式施加单纯形约束，并推导出新的体素化公式。
关键结果
- FLM-Occ在Occ-ScanNet数据集上，仅使用32个超二次曲面，达到了比之前最优方法高2.7%的精度，同时速度提高了3.7倍。
- 与EmbodiedOcc和SplatSSC相比，FLM-Occ在精度和效率之间取得了显著更好的平衡。
- 在不同数量的原始体下，FLM-Occ始终优于现有方法，尤其是在使用较少原始体时。
研究意义
FLM-Occ显著提高了室内占用预测的效率和准确性，减少了虚假原始体的预测，提升了表示和计算效率。该方法在学术界和工业界都具有重要意义，尤其是在需要实时处理的应用场景中。
技术贡献
FLM-Occ重新定义了占用预测的训练目标，采用最大似然估计来优化混合模型的参数。这种方法与现有的体素分类方法有根本区别，能够实现远距离的原始体重新定位，提升了模型的表示能力和计算效率。
新颖性
FLM-Occ首次将占用预测问题转化为体素分布估计，提出了新的前馈似然最大化框架，能够在不依赖深度图的情况下，直接通过图像特征引导原始体的精细化。
局限性
- FLM-Occ在处理复杂场景时可能需要更多的原始体，这可能会影响计算效率。
- 该方法依赖于高质量的图像特征提取，可能对图像质量敏感。
未来方向
未来的研究方向包括优化FLM-Occ在复杂场景中的表现，探索更多种类的原始体，以及在不同应用场景中的适用性。
AI 总览摘要
近年来，室内占用预测方法通常采用高斯原始体作为稀疏3D表示以提高计算效率。然而，这些方法的训练依赖于体素分类，只施加局部约束，缺乏对原始体分布的全局监督，导致在空区域预测出虚假原始体，降低了表示和计算效率。为了解决这一问题，本文提出了一种新的前馈似然最大化（FLM）框架，将占用预测重新定义为体素分布估计。
在FLM中，网络被训练以预测一个混合模型，该模型在前馈过程中最大化地面真实占用体素的似然。为了实现网络的端到端训练和标准混合模型的体素化，我们将混合权重定义为归一化的原始体积，以隐式施加单纯形约束，并推导出新的体素化公式。基于FLM，我们提出了FLM-Occ，一种能够在长距离内重新定位随机初始化的原始体以建模场景的新方法。
在Occ-ScanNet数据集上，FLM-Occ仅使用32个超二次曲面就达到了比之前最优方法高2.7%的精度，同时速度提高了3.7倍。这一方法显著提高了室内占用预测的效率和准确性，减少了虚假原始体的预测，提升了表示和计算效率。FLM-Occ在学术界和工业界都具有重要意义，尤其是在需要实时处理的应用场景中。
深度解读
原文摘要
Recent indoor occupancy prediction methods adopt Gaussian primitives as a sparse 3D representation for computational efficiency. However, their training relies on voxel classification, which imposes only local constraints and lacks global supervision on the distribution of the primitives. Therefore, they inevitably predict spurious primitives in empty regions, undermining both representational and computational efficiency. To address this, we propose Feed-forward Likelihood Maximization (FLM), a novel framework that reformulates occupancy prediction as voxel distribution estimation. In FLM, a network is trained to predict a mixture model that maximizes the likelihood over ground-truth occupied voxels in a feed-forward manner. To enable end-to-end training of networks and voxelization of a standard mixture model, we define mixture weights as normalized primitive volumes to implicitly enforce simplex constraints and derive novel voxelization formulas. Based on FLM, our FLM-Occ, a novel method that is capable of relocating randomly initialized primitives over long distances to model a scene. On Occ-ScanNet, FLM-Occ achieves superior accuracy using only 32 superquadrics, 2.7% of the prior SoTA, while running 3.7 times faster.