原标题：Radocc: Learning Cross-Modality Occupancy Knowledge through Rendering Assisted Distillation

论文链接：https://arxiv.org/pdf/2312.11829.pdf

作者单位：FNii, CUHK-Shenzhen SSE, CUHK-Shenzhen 华为诺亚方舟实验室

会议：AAAI 2024

论文思路：

3D 占用预测是一项新兴任务，旨在使用多视图图像估计 3D 场景的占用状态和语义。然而，由于缺乏几何先验，基于图像的场景感知在实现准确预测方面遇到了重大挑战。本文通过探索该任务中的跨模态知识蒸馏来解决这个问题，即，本文在训练过程中利用更强大的多模态模型来指导视觉模型。在实践中，本文观察到直接应用，在鸟瞰（BEV）感知中提出并广泛使用的特征或 logits 对齐，并不能产生令人满意的结果。为了克服这个问题，本文引入了 RadOcc，一种用于 3D 占用预测的渲染辅助蒸馏范式。通过采用可微体渲染(differentiable volume rendering)，本文在透视图中生成深度和语义图，并提出了教师和学生模型的渲染输出之间的两个新颖的一致性标准(consistency criteria)。具体来说，深度一致性损失对齐渲染光线的终止分布(termination distributions)，而语义一致性损失则模仿视觉基础模型（VLM）引导的 intra-segment 相似性。nuScenes 数据集上的实验结果证明了本文提出的方法在改进各种 3D 占用预测方法方面的有效性，例如，本文提出的方法在 mIoU 指标中将本文的基线提高了 2.2%，在 Occ3D 基准中达到了 50%。

主要贡献：

本文提出了一种用于 3D 占用预测的渲染辅助蒸馏范式，名为 RadOcc。本文是第一篇探索 3D-OP 中跨模态知识蒸馏的论文，并为现有 BEV 蒸馏技术在该任务中的应用提供了宝贵的见解。

提出了两种新颖的蒸馏约束，即渲染深度和语义一致性（RDC 和 RSC），它们通过对齐由视觉基础模型引导的 ray distribution 和 affinity matrices，有效地增强了知识迁移过程。

配备所提出的方法，RadOcc 在 Occ3D 和 nuScenes 基准上实现了密集和稀疏占用预测的最先进性能。此外，本文验证了本文提出的蒸馏方法可以有效提高几个基线模型的性能。

网络设计：

本文首次研究了针对 3D 占用预测任务的跨模态知识蒸馏。基于 BEV 感知领域现有的利用 BEV 或 logits 一致性进行知识迁移的方法，本文将这些蒸馏技术扩展到在 3D 占用预测任务中对齐体素特征和体素 logits，如图 1(a) 所示。然而，本文的初步实验表明，这些对齐技术在 3D-OP 任务中获得令人满意的结果面临着重大挑战，特别是前一种方法引入了负迁移(negative transfer)。这一挑战可能源于 3D 目标检测和占用预测之间的根本差异，后者是一项更细粒度的感知任务，需要捕获几何细节以及背景目标。

为了解决上述挑战，本文提出了 RadOcc，这是一种利用可微体渲染进行跨模态知识蒸馏的新颖方法。RadOcc的核心思想是对教师模型和学生模型生成的渲染结果进行对齐，如图1(b)所示。具体来说，本文使用相机的内参和外参对体素特征进行体渲染（Mildenhall et al. 2021），这使本文能够从不同的视点获得相应的深度图和语义图。为了实现渲染输出之间更好的对齐，本文引入了新颖的渲染深度一致性（RDC）和渲染语义一致性（RSC）损失。一方面，RDC 损失强制光线分布(ray distribution)的一致性，这使得学生模型能够捕获数据的底层结构。另一方面，RSC 损失利用了视觉基础模型的优势（Kirillov et al. 2023），并利用预先提取的 segment 进行 affinity 蒸馏。该标准允许模型学习和比较不同图像区域的语义表示，从而增强其捕获细粒度细节的能力。通过结合上述约束，本文提出的方法有效地利用了跨模态知识蒸馏，从而提高了性能并更好地优化了学生模型。本文展示了本文的方法在密集和稀疏占用预测方面的有效性，并在这两项任务上取得了最先进的结果。

图 1：渲染辅助蒸馏。(a) 现有方法对特征或 logits 进行对齐。(b) 本文提出的 RadOcc 方法同时约束渲染的深度图和语义。图2：RadOcc的总体框架。它采用师生架构，其中教师网络是多模态模型，而学生网络仅接受相机输入。两个网络的预测将用于通过可微分体渲染(differentiable volume rendering)生成渲染深度和语义。渲染结果之间采用了新提出的渲染深度和语义一致性损失。

图 3：渲染深度分析。尽管教师（T）和学生（S）的渲染深度相似，特别是对于前景物体，但它们的光线终止分布显示出很大的差异。

图 4：affinity matrix 的生成。本文首先采用视觉基础模型（VFM），即 SAM，将 segments 提取到原始图像中。之后，本文对每个 segment 中渲染的语义特征进行 segment 聚合，获得 affinity matrix 。

实验结果：

总结：

本文提出了 RadOcc，一种用于 3D 占用预测的新型跨模态知识蒸馏范式。它利用多模态教师模型通过可微分体渲染(differentiable volume rendering)为视觉学生模型提供几何和语义指导。此外，本文提出了两个新的一致性标准，深度一致性损失和语义一致性损失，以对齐教师和学生模型之间的 ray distribution 和 affinity matrix 。对 Occ3D 和 nuScenes 数据集的大量实验表明，RadOcc 可以显着提高各种 3D 占用预测方法的性能。本文的方法在 Occ3D 挑战基准上取得了最先进的结果，并且大大优于现有已发布的方法。本文相信本文的工作为场景理解中的跨模态学习开辟了新的可能性。