본 논문은 로봇 공학과 자율 주행 환경 인식 분야에서 3D 의미론적 점유율 예측의 정확도를 높이기 위한 새로운 방법을 제안합니다. 기존의 볼륨 기반(voxel) 및 점군 기반 방법들의 한계(볼륨 기반은 공간 정보 손실, 점군 기반은 체적 구조 정보 표현의 어려움)를 극복하기 위해, 3D 가우시안 집합과 희소 점을 기반으로 하는 이중 모드 예측 방법을 제시합니다. 트랜스포머 기반 아키텍처를 사용하여 3D 가우시안 집합, 희소 점, 쿼리를 입력으로 받고, 다층 구조를 통해 향상된 쿼리와 3D 가우시안 집합을 활용하여 의미론적 점유율 예측을 수행합니다. 또한 적응적 융합 메커니즘을 통해 두 모드의 의미론적 출력을 통합하여 최종 예측 결과를 생성하고, 각 계층에서 점군을 동적으로 개선하여 점유율 예측 중 더 정확한 위치 정보를 얻습니다. Occ3DnuScenes 데이터셋을 이용한 실험 결과, 제안된 방법이 기존 방법보다 IoU 기반 지표에서 우수한 성능을 보임을 확인했습니다.
