4、Occupancy Network 基础架构：编码器-解码器结构、隐式函数学习、连续空间表示
好，咱们进入正题。这一节要聊的，是 Occupancy Network 最核心的骨架——编码器-解码器结构、隐式函数学习，还有连续空间表示。说白了，就是搞清楚这个网络到底是怎么“看”懂三维世界的。
我记得刚接触这个方向时，有个问题困扰了我很久：传统的体素方法，分辨率一高，显存就炸。后来看到 Occupancy Network 的思路，才恍然大悟——原来可以这样玩。
4.1 编码器-解码器结构：从离散到隐空间
Occupancy Network 的架构，本质上是一个“压缩-重建”的过程。我习惯把它拆成三块来看：
- 输入编码器：把点云、多视图图像或者体素，压缩成一个紧凑的特征向量。
- 隐式解码器：接收这个特征向量，再加上一个三维坐标 (x, y, z)，输出该点被占用的概率。
- 查询机制：你想知道空间里哪个位置有物体，就拿着坐标去问解码器。
你想想看，这和传统方法最大的区别在哪？传统方法是在离散的网格上做分类，而 Occupancy Network 是在连续的隐空间里做函数拟合。
核心思想：用一个神经网络来隐式地表示三维形状。网络学习的是一个函数 f(p, z) → [0, 1]，其中 p 是三维点坐标，z 是编码器提取的全局特征。
我在项目中遇到过一个问题：直接用点云作为输入时，如果点云密度不均匀，编码器提取的特征会偏向密集区域。后来我加了一个体素化预处理，把点云先转成稀疏体素网格，再用 3D 卷积提取特征，效果稳定多了。
4.2 隐式函数学习：为什么是“隐式”？
“隐式”这个词，听起来有点玄乎。其实说白了，就是我们不直接存储物体的表面顶点，而是学习一个判断规则：给定任意一个点，告诉我它在物体内部还是外部。
数学上，这个函数可以写成：
f(p; θ) = σ(MLP(concat(z, p)))其中：
- p = (x, y, z) 是查询点的坐标
- z 是编码器输出的全局特征向量
- MLP 是多层感知机
- σ 是 Sigmoid 函数，把输出映射到 0~1 之间
嗯，这里要注意：训练时，我们是在已知的网格点上做监督。比如一个物体内部点标为 1，外部点标为 0。网络学会的就是这个二分类的决策边界。
我的经验：训练时采样点的策略很重要。我曾经只采样物体表面附近的点，结果网络对远离表面的区域判断很差。后来我采用“表面附近密集采样 + 空间均匀采样”的混合策略，收敛速度快了不少。
为什么会这样？因为隐式函数本质上是在学习一个距离场或者 occupancy 场。如果训练样本只集中在表面附近，网络对空旷区域的“空”就没有概念，推理时容易产生假阳性。
4.3 连续空间表示：突破分辨率限制
这是 Occupancy Network 最让我兴奋的地方。传统体素方法，比如 256³ 的网格，需要 1600 万个格子。每个格子存一个值，显存直接爆炸。
但 Occupancy Network 不一样。它只存一个神经网络（几 MB 的参数），然后你想查多细就查多细。这就是连续空间表示的魅力——理论上无限分辨率。
| 方法 | 存储方式 | 分辨率限制 | 显存占用（256³） |
|---|---|---|---|
| 体素网格 | 离散数组 | 受显存限制 | ~256 MB |
| Occupancy Network | 神经网络参数 | 无限制（连续） | ~5 MB |
你看这个对比，差距是数量级的。而且在实际推理时，我们可以根据需求动态调整采样密度。比如远处用粗粒度，近处用细粒度，非常灵活。
避坑指南：我曾经以为连续表示就是完美的，结果发现推理速度是个大问题。因为你要对每个查询点都做一次前向传播，如果场景很大、采样点很多，速度会非常慢。后来我用了“粗筛+细查”的策略：先用低分辨率快速扫描，找到可能有物体的区域，再在这些区域高分辨率采样。
4.4 三者如何协同工作？
我画个简单的流程，你就明白了：
- 输入阶段：传感器数据（点云/图像）进入编码器，压缩成特征向量 z。
- 查询阶段：你指定一个三维坐标 (x, y, z)，和特征向量 z 拼接在一起。
- 解码阶段：MLP 网络处理这个拼接向量，输出 occupancy 概率。
- 重建阶段：对空间中的大量点重复步骤 2-3，用 Marching Cubes 等算法提取等值面，得到最终的三维网格。
说白了，编码器负责“理解”输入，解码器负责“回答”任意位置的占用情况。而连续空间表示，让这个回答可以无限精细。
关键点总结：Occupancy Network 用编码器-解码器结构，把三维重建问题转化成了一个二分类问题。分类的对象不是离散的体素，而是连续空间中的任意点。这种隐式表示，让模型在保持低存储的同时，具备了高精度的潜力。
我个人觉得，理解这三者的关系，是掌握 Occupancy Network 的第一步。编码器决定了“看没看懂”，解码器决定了“能不能说清楚”，连续表示决定了“能说多细”。三者缺一不可。
下一节，我们会深入具体的网络设计细节，包括怎么选编码器、MLP 的层数怎么定、激活函数用什么好。到时候再聊。