AAAI 2026 Oral | SplatSSC：解耦深度引导的高斯泼溅，开启单目语义场景补全高效新范式

深度学习下的场景理解：从密集网格到对象中心表征单目 3D 语义场景补全 (Semantic Scene Completion, SSC) 是具身智能与自动驾驶领域的一项核心技术，其目标是仅通过单幅图像预测出场景的密集几何结构与语义标签。 1. 基元初始化的盲目性：现有的方法往往通过在 3D 空间内随机分布数万个高斯基元来覆盖场景。实验发现，这种随机初始化的有效利用率极低（仅约 3.9%），造成了巨大的计算冗余。 2. 异常基元引发的 "漂浮物" 伪影：在处理稀疏基元聚合时，现有的方法往往无法有效处理孤立的离群点，导致在空旷区域生成错误的语义碎块，即所谓的 "Floaters" 现象。针对这些挑战，我们提出了SplatSSC。该框架通过创新的深度引导策略与解耦聚合机制，实现了性能与效率的跨越式提升。图 1 ： SplatSSC 与主流框架的初始化策略对比。 (a) 现有的 Transformer 框架通常依赖大规模随机分布的高斯基元，这不可避免地引入了空间冗余，导致模型容量的浪费。 (b) 相比之下， SplatSSC 利用几何先验进行引导，仅需一组精简且目标明确的高斯基元，即可实现高效的空间 ...