{
  "paper_id": "b94dd3d28a09809febd833d1924d949c",
  "paper_title": "OneBEV++: Towards Unifying Bird's-Eye-View Semantic Mapping with Panoramas",
  "paper_authors": [
    "Jiale Wei",
    "Zhifeng Teng",
    "Fei Teng",
    "Junwei Zheng",
    "Ruiping Liu",
    "Yufan Chen",
    "Jie Hu",
    "Kailun Yang",
    "Jiaming Zhang",
    "Rainer Stiefelhagen"
  ],
  "publication_date": "2026",
  "publication_venue": "IEEE Transactions on Pattern Analysis and Machine Intelligence",
  "abstract": "Bird’s-Eye-View (BEV) perception, crucial for holistic scene understanding, faces limitations with narrow field-of-view sensors (indoors) and complex multi-camera setups (outdoors). To address these limitations and enable omni-range perception with a single image, we propose a new pipeline called panoramic-to-BEV semantic mapping. We extend existing household-related and driving-scene datasets to create four benchmarks for Panoramic BEV in both indoor and outdoor settings. As ground-breaking solutions, the 360BEV (indoor) and OneBEV (outdoor) methods have shown promise in their respective domains. Moreover, we propose a unified framework OneBEV++, generating BEV semantic maps from a single panoramic image across all environments. Extensive experiments on our four panoramic datasets demonstrate that OneBEV++ outperforms previous methods with consistent accuracy gains and improved efficiency. By simplifying complexity while enhancing performance, OneBEV++ enables scalable applications across diverse environments from outdoor autonomous vehicles to indoor robots, paving the way for more holistic cross-environment autonomous systems. Data and code will be available at <https://github.com/JialeWei/OneBEV>.\n",
  "keywords": [
    "Omni-range Image Processing",
    "View Transformation",
    "Semantic Mapping",
    "Scene Understanding"
  ],
  "paper_institutions": [
    "Karlsruhe Institute of Technology (KIT)",
    "Hunan University",
    "XYZ Robotics GmbH"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "deepseek-v4-flash",
  "prompt_template": "simple",
  "extracted_at": "2026-08-18T10:32:07.702959Z",
  "template_tag": "deep_read",
  "summary": "# OneBEV++: Towards Unifying Bird's-Eye-View Semantic Mapping with Panoramas\n\n\n**作者 / Authors:** Jiale Wei, Zhifeng Teng, Fei Teng, Junwei Zheng, Ruiping Liu, Yufan Chen, Jie Hu, Kailun Yang, Jiaming Zhang, Rainer Stiefelhagen\n\n\n**单位 / Institutions:** Karlsruhe Institute of Technology (KIT), Hunan University, XYZ Robotics GmbH\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2026 (accepted author version; DOI 10.1109/TPAMI.2026.3719109)\n\n\n\n**期刊/会议 / Publication Venue:** IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n### 分类理由\n\n- 本文的核心贡献是提出一个新的统一框架 OneBEV++，包含 Columnar Radial Projection (CRP)、Feature Selection Block (FSB) 和 MVTv2 视图变换模块，属于新的算法/模型设计。\n- 虽然论文也构建了四个全景 BEV 基准数据集，但数据集构建是支撑性工作，主要创新仍是方法本身，因此归类为 `method`。\n\n### 1. Paper metadata\n\n- **标题**: OneBEV++: Towards Unifying Bird's-Eye-View Semantic Mapping with Panoramas\n- **作者（姓名 / 单位 / 简要背景）**:\n  - Jiale Wei：德国卡尔斯鲁厄理工学院（KIT）CV:HCI Lab 研究助理；研究方向为计算机视觉、自动驾驶、AI4Health。\n  - Zhifeng Teng：KIT 硕士，现为 XYZ Robotics GmbH 机器人系统工程师；研究方向为计算机视觉、深度学习、物流机器人。\n  - Fei Teng：KIT 硕士，现为湖南大学控制科学与工程博士生；研究方向为场景理解与智能车辆。\n  - Junwei Zheng：KIT CV:HCI Lab 研究助理；研究方向为视觉导航/定位、语义分割、实时应用。\n  - Ruiping Liu：KIT CV:HCI Lab 研究助理；研究方向为计算机视觉、深度学习、语义分割、实时应用。\n  - Yufan Chen：KIT CV:HCI Lab 研究助理；研究方向为计算机视觉、文档分析、图像检索、神经网络鲁棒性。\n  - Jie Hu：KIT CV:HCI Lab 与 MRT 研究助理；研究方向为计算机视觉、语义分割、自动驾驶。\n  - Kailun Yang：湖南大学机器人学院教授；曾任 KIT 博士后；研究方向为全景感知、视觉场景理解。\n  - Jiaming Zhang：湖南大学人工智能与机器人学院教授；曾任 KIT 博士后；研究方向为计算机视觉与辅助技术。\n  - Rainer Stiefelhagen：KIT 全职教授，领导 CV:HCI Lab；研究方向为计算机视觉、人机交互、辅助技术。\n- **发表 venue / 年份 / 级别**: IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)，作者接受版，DOI 10.1109/TPAMI.2026.3719109，年份 2026。\n\n### 2. Research positioning\n\n- **研究领域**: 计算机视觉、全景图像处理、鸟瞰图（BEV）语义映射、视图变换、场景理解。\n- **具体任务**: 从单张 360° 全景 RGB 图像生成 BEV 语义分割图，并统一支持室内与室外环境，无需针对特定领域重新设计。\n- **目标用户或应用场景**: 自动驾驶车辆（室外路径规划、障碍物检测）、室内机器人（导航、清洁、配送）、以及需要跨环境全景 BEV 感知的自主系统。\n\n### 3. Input material checklist\n\n- **PDF**: 是（提供的是 Markdown 格式的正文、表格、参考文献和作者简介；图片以占位符形式出现）。\n- **附录 / 补充材料**: 否（正文中引用了 Appendix 相关内容，如 Matterport-360 的 XYZ 推导、NuScenes-360 的拼接推导、数据集统计与类别选择，但未在本次输入中提供）。\n- **代码链接**: 是（<https://github.com/JialeWei/OneBEV，论文声明数据和代码将在此公开）。>\n- **数据集链接**: 是（同一 GitHub 链接；涉及 Stanford-360、Matterport-360、NuScenes-360、DeepAccident-360 四个数据集）。\n\n### 4. Missing materials and risks\n\n- **缺失内容**: 附录/补充材料的详细推导与统计信息；论文中的实际图片（Fig. 1–Fig. 9 仅有占位符）；最终排版版本。\n- **可能影响**: 无法验证 Matterport-360 和 NuScenes-360 的几何推导细节，无法核对数据集类别统计；对图表的视觉理解受限；最终出版版本可能与作者版存在差异。\n\n### 5. Reading route\n\n- **Step 1**: 第一遍快速浏览：阅读标题、摘要、引言、结论、图 1、图 5、表 1 和表 2，掌握论文目标、核心贡献和主要结果。\n- **Step 2**: 第二遍理解：重点阅读第 3 节（四个数据集的构建流程）和第 4 节（OneBEV++ 架构，包括 CRP、MVTv2、FSB），结合图 5 和图 6 理解视图变换机制。\n- **Step 3**: 深入实验部分：阅读第 5 节，重点分析表 3（组件消融）、表 4（CRP 消融）、表 5（FoV 消融）和表 6（拼接鲁棒性），理解各设计选择的作用。\n- **Step 4**: 对照相关工作与参考文献，确认论文在 BEV 语义映射和全景处理中的定位，以及相对 360BEV、OneBEV 的增量贡献。\n- **Step 5**: 如需复现或深入验证，再获取附录、代码和数据集，检查实现细节与几何推导。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n### 1. 论文类型与类别\n\n- 类型：方法类（method）论文，提出统一框架 OneBEV++，属于计算机视觉中的全景图像到鸟瞰图（BEV）语义映射任务。\n- 子类别：视图变换 / 语义分割 / 跨域泛化；同时包含数据集构建（四个全景 BEV 基准）作为支撑贡献。\n- 依据：论文核心贡献是新的 CRP、FSB 和 MVTv2 模块（Sec. 4），实验验证其有效性（Sec. 5）。\n\n### 2. 背景与研究定位\n\n- 研究背景：传统 BEV 语义映射依赖多目 pinhole 相机，存在硬件复杂、同步问题、视场有限、平台相关等局限（Sec. 1）。360° 全景相机单图即可提供完整环境信息，但需要处理几何畸变和 front-view 到 top-down 的变换。\n- 已有工作：360BEV 针对室内、OneBEV 针对室外，均只覆盖单一领域；OneBEV++ 旨在统一室内外，无需领域特定重设计（Sec. 1, Sec. 2.3）。\n- 定位：在 2D-3D / 3D-2D 视图变换范式之外，提出基于 Mamba 的全景到 BEV 变换，并扩展四个数据集（Stanford-360, Matterport-360, NuScenes-360, DeepAccident-360）。\n\n### 3. 直觉正确性检查\n\n- 关键假设 1：BEV 中一个点对应全景图像中的一条“列”（通过方位角）。直觉上，地面平面上的点与相机中心的连线在水平方向上的投影决定全景列坐标，因此 CRP 的 point-to-column 映射是几何合理的（Sec. 4.4, Fig. 6）。\n- 关键假设 2：在没有深度时，用可学习偏移来弥补列映射的精度损失。直觉上，列先验提供强几何约束，偏移做局部细化，符合 coarse-to-fine 设计；消融实验显示偏移贡献最大（Tab. 4）。\n- 关键假设 3：max-pooling 选择显著特征可提升效率与鲁棒性。直觉上，BEV 查询只需最相关的 front-view 特征，max-pooling 可抑制无关响应；实验显示优于 average-pooling（Tab. 3）。\n- 潜在风险：CRP 依赖相机位姿与拼接质量；拼接误差（如 seam shift、yaw bias）会降低性能，但实验显示 OneBEV++ 仍保持优势（Tab. 6）。IRP oracle 与 CRP 的差距（45.80 vs 22.02）说明无深度设置下存在固有精度上限（Tab. 4）。\n\n### 4. 核心贡献\n\n1. 提出 OneBEV++，首个统一室内外场景的单全景图 BEV 语义映射框架，无需领域特定重设计（Sec. 1, Sec. 4）。\n2. 提出 Columnar Radial Projection (CRP)，建立 BEV 坐标到全景图像列的几何映射，支持无深度场景下的可学习采样（Sec. 4.4）。\n3. 设计 Feature Selection Block (FSB) 与 MVTv2 视图变换模块，通过 max-pooling 特征选择和 Mamba 状态空间建模，在降低 FLOPs 和参数量的同时提升精度（Sec. 4.5, Tab. 1-2）。\n4. 扩展并标准化四个全景 BEV 基准数据集（Stanford-360, Matterport-360, NuScenes-360, DeepAccident-360），提供一致的标注协议与评估指标（Sec. 3）。\n5. 提供系统实验与消融：组件消融、CRP 消融、FoV 影响、拼接鲁棒性、效率对比（Sec. 5, Tab. 3-7）。\n\n### 5. 清晰度评估\n\n- 结构：清晰，遵循 Introduction → Related Work → Benchmark → Method → Experiments → Conclusion 的标准结构，章节编号明确。\n- 图表：Fig. 1 概览、Fig. 5 架构、Fig. 6 CRP 示意、Fig. 7 采样点可视化、Fig. 8 FoV 可视化、Fig. 9 收敛曲线；表格 Tab. 1-7 覆盖 SOTA 对比、消融、鲁棒性、效率。但输入中图片为占位符，无法直接评估视觉质量。\n- 公式：CRP 公式（Sec. 4.4）简洁，但 MVTv2 的采样公式（Sec. 4.5）符号较多，需要结合 Fig. 5 理解。\n- 可读性：总体可读，但部分附录引用（Appendix ?、??）未提供，影响几何推导的完整性验证。\n\n### 6. 继续或停止建议\n\n- 建议：继续阅读（进入第二遍/第三遍）。\n- 理由：论文方法新颖且实验充分，适合深入理解 MVTv2 的设计细节、CRP 的几何原理以及跨域泛化能力；同时数据集构建部分对复现和后续研究有参考价值。若仅需高层了解，第一遍已足够；若需复现或扩展，应继续阅读并获取附录与代码。\n\n### 7. 结构大纲图\n\n```markmap\n# OneBEV++ 论文概览\n## 1. 引言\n### 问题背景\n### 贡献列表\n## 2. 相关工作\n### 全景图像处理\n### 全景场景理解\n### BEV 语义映射\n## 3. 数据集构建\n### Stanford-360\n### Matterport-360\n### NuScenes-360\n### DeepAccident-360\n## 4. 方法\n### 任务定义\n### 架构总览\n### BEV Queries\n### Columnar Radial Projection\n### MVTv2 视图变换\n## 5. 实验\n### 实现细节\n### 室外结果\n### 室内结果\n### 分析（MVT/CRP/FoV/鲁棒性/效率）\n## 6. 结论\n```\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n### 1. 一句话问题定义\n\n本文旨在解决如何从单张 360° 全景 RGB 图像中，在无需针对室内或室外环境进行领域特定重新设计的情况下，统一生成高质量鸟瞰图（BEV）语义分割图的问题（Abstract；Sec. 1；Sec. 4.1）。\n\n### 2. 痛点或缺陷\n\n- 传统 BEV 语义映射依赖针孔相机，通常需要多相机环绕布置，导致硬件复杂度高、同步问题、计算开销大（Sec. 1）。\n- 针孔相机视场角有限，需要复杂的多视角融合算法才能生成完整 BEV 表示，且相机布置常为平台特定，跨平台部署需大量重配置（Sec. 1）。\n- 现有全景 BEV 方法 360BEV（室内）与 OneBEV（室外）分别在各自领域有效，但缺乏跨环境通用性，无法无缝迁移到另一领域（Abstract；Sec. 1）。\n- 全景图像本身存在几何畸变与拼接伪影（如接缝、重影、物体错位），且无深度信息时全景到 BEV 的视图变换更具挑战（Sec. 3.3；Fig. 4；Sec. 4.4）。\n\n### 3. 形式化目标或优化目标\n\n给定单张全景 RGB 图像 I ∈ R^{H×W×3}，OneBEV++ 旨在生成 BEV 语义图 M ∈ R^{H_q×W_q×C}，其中 C 为语义类别数（Sec. 4.1）。该目标通过畸变感知的视图变换实现，将前视全景特征映射到结构化 BEV 空间，从而在室内外环境中统一适用（Sec. 4.1；Sec. 4.2）。论文未给出显式损失函数，但训练采用 AdamW 优化器，学习率 5×10^{-5}，50 epochs，以 mIoU 作为优化导向（Sec. 5.1）。\n\n### 4. 成功标准（指标或期望性质）\n\n- 主要指标：类别平均交并比（mIoU），在四个数据集上评估：Stanford-360（13类）、Matterport-360（20类）、NuScenes-360（6类）、DeepAccident-360（17类）（Sec. 5.1）。\n- 精度目标：在室内外数据集上均达到 SOTA，例如 NuScenes-360 上 56.3 mIoU、Stanford-360 上 22.0 mIoU，超越 360BEV 与 OneBEV（Tab. 1；Tab. 2）。\n- 效率目标：在提升精度的同时降低计算复杂度，FLOPs 减少 46%、参数量减少 7%（相比使用分离的专用模型）（Abstract；Sec. 1；Tab. 7）。\n- 鲁棒性期望：对拼接伪影（Seam Shift、Exposure Mismatch）具有鲁棒性，在 Yaw Bias 下仍保持较高 mIoU，且相对 OneBEV 保持约 +5 mIoU 的优势（Tab. 6）。\n- 通用性期望：无需领域特定重设计即可跨室内外环境部署，统一框架适用于自动驾驶与室内机器人（Abstract；Sec. 1；Sec. 6）。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n### 1. 最强基线（Strongest baselines）与比较轴\n\n- **最强基线**：任务层面最接近的强基线是本文作者团队此前的 360BEV（WACV 2024，室内）和 OneBEV（ACCV 2024，室外）；此外，BEVFusion、BEVSegFormer、BEVFormer 作为多相机/跨视图 BEV 语义分割的代表性基线（Tab. 1、Tab. 2）。\n- **比较轴**：四个全景 BEV 数据集上的 mIoU（Stanford-360、Matterport-360、NuScenes-360、DeepAccident-360），以及参数量、FLOPs、FPS（Tab. 1、Tab. 2、Tab. 7）；还比较了不同 FoV 下的性能（Tab. 5）和拼接扰动鲁棒性（Tab. 6）。\n- **结果定位**：OneBEV++ 在室外 NuScenes-360 上 56.3 mIoU，优于 OneBEV 的 51.1 和 360BEV 的 47.8；DeepAccident-360 上 38.2，优于 OneBEV 的 36.1 和 360BEV 的 34.3（Tab. 1）。室内 Stanford-360 上 22.0，优于 OneBEV 的 20.3 和 360BEV 的 17.8；Matterport-360 val/test 为 28.8/24.3，优于 OneBEV 的 28.1/23.6 和 360BEV 的 28.3/24.0（Tab. 2）。同时参数量 28.9M、FLOPs 88–94G，低于 OneBEV 的 31.0M/171–177G（Tab. 1、Tab. 2、Tab. 7）。\n\n### 2. 最接近的方法与关键差异\n\n- **360BEV（室内）**：方法 -> 使用 Transformer 架构和深度监督的 Inverse Radial Projection (IRP) 做点对点 BEV-全景映射；核心思想 -> 利用深度信息建立精确的几何对应；局限 -> 依赖真值深度，仅针对室内，跨域部署需要重新设计（Sec. 2.3、Sec. 4.4）。\n- **OneBEV（室外）**：方法 -> 使用 Mamba 的 MVT 做无深度全景到 BEV 变换；核心思想 -> 用状态空间模型替代交叉注意力，实现无深度、失真感知的视图变换；局限 -> 仅面向室外驾驶场景，计算量较高（177G FLOPs），首次迁移到室内时在 Matterport-360 上略低于 360BEV（Sec. 5.3、Tab. 2）。\n- **OneBEV++ 的关键差异**：提出 Columnar Radial Projection (CRP)，在无深度条件下建立 BEV 查询点到全景图像列的几何映射（点对列而非点对点），并设计 Feature Selection Block (FSB) 用 max-pooling 选择显著特征，集成到 MVTv2 中；统一室内外，无需领域特定重设计，且更轻量（Sec. 4.4、Sec. 4.5、Tab. 3、Tab. 4）。\n\n### 3. 正交方向\n\n- **前视全景理解**：全景语义分割、深度估计、全景分割等（如 [^15] [^16] [^17] [^18] [^19] [^20] [^21] [^22] [^23] [^24] [^25] [^26] [^27] [^28] [^29]）只在前视/全景域内处理，不涉及 BEV 视图变换（Sec. 2.1）。\n- **多相机/LiDAR BEV 方法**：LSS、BEVDet、BEVFusion、BEVFormer 等面向多针孔相机或传感器融合，依赖多相机标定/深度估计，与单全景图输入范式正交（Sec. 2.3）。\n- **鲁棒性与场景图等**：BEV 感知鲁棒性评测（[^10]）、室内外 3D 场景图生成（[^44]）等关注点与本文的全景-BEV 统一架构不直接竞争，但可互补（Sec. 2.2、Sec. 2.3）。\n\n### 4. 一句话定位\n\nOneBEV++ 是首个用单张全景图、无需深度监督即可统一室内外 BEV 语义映射的高效框架，通过 CRP + FSB + MVTv2 在四个基准上以更低计算量超越 360BEV 和 OneBEV 等专用方法。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n### 核心机制概述\n\nOneBEV++ 是一个端到端的全景图到 BEV 语义映射统一框架，输入单张全景 RGB 图像 \\(I \\in \\mathbb{R}^{H \\times W \\times 3}\\)，输出 BEV 语义图 \\(M \\in \\mathbb{R}^{H_q \\times W_q \\times C}\\)。核心机制是“几何先验引导的可学习视图变换”：用 Columnar Radial Projection (CRP) 将 BEV 查询映射到全景图的列（方位角），再用 MVTv2 模块通过可学习偏移在该列附近采样前视特征，经 Feature Selection Block (FSB) 最大池化筛选显著特征，最后用 Vanilla VSS Block (VVB) 做状态空间建模，迭代细化 BEV 特征。相比 OneBEV 的 MVT，MVTv2 用 CRP 列先验约束采样范围，并用 FSB 降低计算量，从而在室内外四个数据集上以更低 FLOPs/参数取得更高 mIoU（Sec. 4, Fig. 5）。\n\n### 逐步拆解\n\n1. **输入与特征提取**：全景图经 VMamba-T backbone 提取层级特征 \\(f_{360}\\)（Sec. 4.2, Fig. 5）。\n2. **BEV 查询初始化**：定义 BEV queries \\(Q\\) 和位置编码 \\(Z\\)，每个 \\(q_i\\) 对应 BEV 平面一个离散位置（Sec. 4.3）。\n3. **CRP 列映射**：对每个 BEV 查询 \\(q_i=(x_i,y_i)\\)，按方位角公式计算对应全景列 \\(c_i\\)，建立点对列几何关系（Sec. 4.4, Fig. 6）。\n4. **可学习采样**：MVTv2 通过线性投影生成采样偏移 \\(\\Delta p\\)，结合 CRP 列索引 \\(c\\) 和学习的高度索引 \\(r\\) 得到参考点 \\(p=(r,c)\\)，从 \\(f_{360}\\) 采样得到 \\(P_i = W f_{360}(p_{i,j}+\\Delta p_{i,j,k})\\)（Sec. 4.5）。\n5. **特征选择与状态空间建模**：FSB 用 max-pooling 选取最显著特征，VVB 在 BEV 域做状态空间建模（Sec. 4.5, Tab. 3）。\n6. **迭代增强**：变换后的特征 \\(Q\\) 同时作为 BEV 表示和下一层 MVTv2 的查询，多次迭代细化（Sec. 4.5）。\n7. **BEV 分割头**：轻量 decoder 生成最终 BEV 语义图（Sec. 4.2）。\n\n### 关键公式与模块作用\n\n- **CRP 公式**：\\(\\phi_i = \\tan^{-1}(-x_i/y_i)\\)；若 \\(\\phi_i<0\\)，则 \\(\\phi_i += 2\\pi\\)；\\(c_i = \\phi_i/(2\\pi)\\)。作用：把 BEV 地面坐标转为全景图列索引，提供几何先验。\n- **采样公式**：\\(P_i = W f_{360}(p_{i,j}+\\Delta p_{i,j,k})\\)。作用：在 CRP 列附近做可变形采样，\\(\\Delta p\\) 补偿拼接伪影和几何畸变。\n- **FSB**：max-pooling 选择显著特征，消融显示 max 优于 avg（19.7 vs 22.0，Tab. 3）。\n- **VVB**：Mamba 扫描机制替代 cross-attention 做特征融合，去掉后 mIoU 从 22.0 降至 21.0（Tab. 3）。\n- **CRP 消融**：去掉 offset 掉 8.29 mIoU，去掉几何先验掉 1.69，说明 offset 最重要、列先验引导收敛（Tab. 4）。\n\n### 流程示意图\n\n```mermaid\nflowchart TD\n  Input[\"全景 RGB 图像 I\"] --> Backbone[\"VMamba-T 特征提取 f_360\"]\n  Backbone --> CRP[\"CRP: BEV 查询 q_i -> 全景列 c_i\"]\n  CRP --> Sample[\"MVTv2 可变形采样 P_i = W f_360(p + Δp)\"]\n  Sample --> FSB[\"FSB 最大池化特征选择\"]\n  FSB --> VVB[\"Vanilla VSS Block 状态空间建模\"]\n  VVB --> Iter[\"迭代增强（多层 MVTv2）\"]\n  Iter --> Head[\"BEV 分割头\"]\n  Head --> Output[\"BEV 语义图 M\"]\n```\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n### 数据集与基准（Dataset / Benchmark）\n\n| 数据集 | 场景 | 来源 | 类别数 | 构建方式 | 定位 |\n|---|---|---|---|---|---|\n| Stanford-360 | 室内 | Stanford2D3D [^54] | 13 类（Sec 5.1） | 直接采用已有前视全景图；利用语义分割与全局 XYZ 经正交投影生成 BEV 真值（Sec 3.1, Fig. 2） | 室内基准 |\n| Matterport-360 | 室内 | Matterport3D [^55] | 20 类（Sec 5.1） | 将 18 张窄 FoV 图像用旋转-平移矩阵拼接为 360° 全景；由深度图构造全局 XYZ 再正交投影到 BEV（Sec 3.2, Fig. 3） | 室内基准 |\n| NuScenes-360 | 室外真实驾驶 | NuScenes [^56] | 6 类（Sec 5.1） | 六相机（5×70°+1×110°）通过观测球与射线-平面相交拼接；BEV 标注取自原始高分辨率 BEV 语义图（Sec 3.3, Fig. 4） | 室外基准 |\n| DeepAccident-360 | 室外合成驾驶（CARLA） | DeepAccident [^60] | 17 类（Sec 5.1） | 与 NuScenes-360 相同拼接方法；BEV 语义图直接使用原始数据（Sec 3.4） | 室外基准 |\n\n补充：四个数据集统称为 Panoramic BEV benchmarks，覆盖室内外；统计细节与类别选择见 Sec 3.5 及附录。\n\n### 预处理与划分/覆盖设置\n\n- 全景构建：室内 Stanford-360 直接使用已有全景；Matterport-360 由 18 张窄 FoV 图像拼接；室外两个数据集由多相机图像按相机物理模型拼接（Sec 3.2–3.4）。\n- BEV 真值生成：Stanford-360 与 Matterport-360 通过全局 XYZ 正交投影；NuScenes-360 与 DeepAccident-360 直接采用/转换原始 BEV 语义图（Sec 3.1–3.4）。\n- 输入分辨率：室内 512×1024，室外 180×3200；BEV 输出统一 200×200（Sec 5.1）。\n- 感知范围：室内 [-5m,5m]×[-5m,5m]，室外 [-50m,50m]×[-50m,50m]（Sec 5.1）。\n- 划分/评估协议：遵循 OneBEV [^14] 协议，使用类平均 mIoU；Matterport-360 报告 val/test，其余数据集报告 val（Sec 5.1, Tab. 1–2）。具体划分比例未在正文给出，应见附录/原数据集协议。\n- FoV 覆盖实验：在 NuScenes-360 上以 60°/180°/360° 中心裁剪输入并相应掩码 BEV 真值（Sec 5.4, Fig. 8, Tab. 5）。\n\n### 训练 / 推理 / 评估环境\n\n- 硬件：4×A100 GPU，每卡 batch size 2（Sec 5.1）。\n- 优化：AdamW，weight decay 0.01，初始学习率 5×10^-5，50 epochs，linear warm-up + cosine annealing（Sec 5.1）。\n- 模型配置：embedding dim 128；MVTv2 2 layers、2 sampling locations、2 offset points per location；Vanilla VSS Block 内维 128、深度 1（Sec 5.1）。\n- 骨干网络：VMamba-T（消融中对比 GroupMamba-T）（Sec 4.2, Tab. 3）。\n- 评估指标：类平均 mIoU（Sec 5.1）。\n- 推理效率：FPS 与 FLOPs 在 Tab. 7 中报告；OneBEV++ 在 Stanford-360 上 28.9M 参数、88G FLOPs、28.15 FPS、22.0 mIoU（Sec 5.4, Tab. 7）。\n- 鲁棒性评估：在 NuScenes-360 上训练于干净数据，推理时施加 4 种拼接扰动（Seam Shift、Yaw Bias、Exposure Mismatch、Missing View）×4 个严重级别（S1–S4）（Sec 5.4, Tab. 6）。\n\n### 这些选择为何重要及验证了什么\n\n- 跨域统一验证：同时包含室内（Stanford-360/Matterport-360）与室外（NuScenes-360/DeepAccident-360）基准，能够验证 OneBEV++ 无需领域特定重设计即可泛化（Sec 1, Sec 5.2–5.3）。\n- 深度无关投影：CRP 不依赖深度，使框架适用于无深度传感器的全景输入；IRP oracle 实验（45.80 mIoU vs. CRP 22.02）量化了深度信息的价值，同时说明 CRP 以精度上限换取广泛适用性（Sec 5.4, Tab. 4）。\n- 组件消融验证：Tab. 3 显示 MVTv2 相对 CrossAtt 提升 6.8%，VVB 与 max-pooling 均贡献增益；Tab. 4 显示采样偏移是最关键组件（去掉掉 8.29 mIoU），几何列先验优于纯学习采样（+1.69）。\n- FoV 影响：360° 输入一致优于 60°/180°，OneBEV++ 从 60° 到 360° 提升 +23.89 mIoU，验证全景输入对 BEV 映射的实际价值（Sec 5.4, Tab. 5）。\n- 拼接鲁棒性：外观级扰动（Seam Shift、Exposure Mismatch）影响很小，几何级扰动（Yaw Bias、Missing View）影响较大；OneBEV++ 在所有扰动下保持对 OneBEV 约 +5 mIoU 的优势，说明 CRP+MVTv2 的增益不以鲁棒性为代价（Sec 5.4, Tab. 6）。\n- 效率与精度平衡：相比分别使用 360BEV 与 OneBEV 两个专用模型，OneBEV++ 降低 46% FLOPs 和 7% 参数，同时精度更高（Sec 1, Tab. 1–2, Tab. 7），验证统一框架的可扩展性与实际部署价值。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n### 1. 评估指标（Metrics）\n\n- **mIoU（类平均交并比，mean Intersection-over-Union）**：本文的主要评估指标，遵循 OneBEV 的评估协议，对每个语义类别计算 IoU 后取平均（Sec. 5.1）。各数据集的语义类别数为：Stanford-360 13 类、Matterport-360 20 类、NuScenes-360 6 类、DeepAccident-360 17 类（Sec. 5.1）。\n- **模型复杂度指标**：参数量（#Param.）、浮点运算量（FLOPs）、推理帧率（FPS），用于衡量效率（Tab. 1、Tab. 2、Tab. 7）。\n- **鲁棒性指标**：在 NuScenes-360 上对四种拼接扰动（Seam Shift、Yaw Bias、Exposure Mismatch、Missing View）分别施加 S1–S4 四个严重等级，报告扰动下的 mIoU（Tab. 6）。\n\n### 2. 主要结果（Main Results）\n\n- **室外数据集（Tab. 1，Sec. 5.2）**：OneBEV++ 在 NuScenes-360 val 上达到 **56.3 mIoU**，在 DeepAccident-360 val 上达到 **38.2 mIoU**，参数量 28.9M，FLOPs 94.1G。相比 OneBEV（51.1 / 36.1）分别提升 **+5.2 / +2.1**；相比 360BEV（47.8 / 34.3）分别提升 **+8.5 / +3.9**。\n- **室内数据集（Tab. 2，Sec. 5.3）**：OneBEV++ 在 Stanford-360 val 上达到 **22.0 mIoU**，在 Matterport-360 val / test 上达到 **28.8 / 24.3 mIoU**，参数量 28.9M，FLOPs 88G。相比 360BEV（17.8 / 28.3 / 24.0）分别提升 **+4.2 / +0.5 / +0.3**；相比室内适配版 OneBEV（20.3 / 28.1 / 23.6）在 Stanford-360 上提升 **+1.7**，在 Matterport-360 上提升 **+0.7 / +0.7**。\n- **效率结果（Tab. 7，Sec. 5.4）**：在 Stanford-360 上，OneBEV++ 以 28.9M 参数、88G FLOPs、28.15 FPS 取得 22.0 mIoU，优于 OneBEV（31M、171G、13.36 FPS、20.3 mIoU），也优于 360BEV（32.9M、99G、47.75 FPS、17.8 mIoU）。训练收敛曲线显示 OneBEV++ 收敛更快且精度更高（Fig. 9）。\n- **统一模型 vs 分离专用模型**：引言部分指出，相比分别使用 360BEV（室内）和 OneBEV（室外）两个专用模型，OneBEV++ 将 FLOPs 降低 46%、参数量降低 7%，同时精度更高（Fig. 1 与引言）。\n\n### 3. 与基线/代表性先前工作的对比（Comparison）\n\n- **室外对比（Tab. 1）**：OneBEV++ 在 NuScenes-360 / DeepAccident-360 上均超过所有对比方法：BEVFusion（42.2 / 23.8）、BEVSegformer（44.8 / 30.8）、BEVFormer（45.3 / 26.1）、360BEV（47.8 / 34.3）、OneBEV（51.1 / 36.1）。OneBEV++ 以更少的参数量和 FLOPs 取得最高 mIoU。\n- **室内对比（Tab. 2）**：OneBEV++ 在 Stanford-360 val、Matterport-360 val / test 上均超过 BEVFusion（7.8 / 21.0 / 18.3）、BEVSegformer（16.1 / 21.6 / 18.4）、BEVFormer（17.5 / 20.1 / 17.4）、360BEV（17.8 / 28.3 / 24.0）和 OneBEV（20.3 / 28.1 / 23.6）。\n- **效率对比（Tab. 7）**：BEVFusion（207G FLOPs、7.8 mIoU）、BEVSegformer（100G、16.0 mIoU）、BEVFormer（206G、17.3 mIoU）和 360BEV（99G、17.8 mIoU）在 Stanford-360 上均不如 OneBEV++（88G、22.0 mIoU），说明 OneBEV++ 在精度-效率权衡上具有明显优势。\n\n### 4. 消融、敏感性分析与跨论文差异综合（Ablations / Sensitivity / Synthesis）\n\n- **MVT 组件消融（Tab. 3，Stanford-360）**：\n  - 视图变换类型：CrossAtt 为 15.2 mIoU；MVT 为 18.9（+3.7）；MVTv2 为 22.0（+6.8），说明 Mamba 式视图变换和 MVTv2 的改进均有效。\n  - Vanilla VSS Block（VVB）：去掉 VVB 后 MVTv2 从 22.0 降至 21.0，说明 VVB 对细粒度特征融合不可或缺。\n  - 池化类型：max-pooling 为 22.0，avg-pooling 为 19.7，说明 FSB 中最大池化能更有效地选择显著特征。\n  - 骨干网络：GroupMamba-T 为 22.2，比 VMamba-T 的 22.0 仅高 0.2，说明核心增益来自 MVTv2 而非骨干。\n- **CRP 组件消融（Tab. 4，Stanford-360）**：\n  - V1 完整 CRP（列先验 + 垂直索引 + 可学习偏移）为 22.02 mIoU。\n  - V2 去掉采样偏移后降至 13.73（-8.29），说明可学习偏移是最关键组件。\n  - V3 仅保留列先验为 13.59（-8.43），与 V2 仅差 0.14，说明垂直索引单独作用有限，需与偏移配合。\n  - V4 完全无几何先验（OneBEV 原始采样）为 20.33（-1.69），说明 CRP 的几何列先验优于纯学习采样。\n  - IRP 使用真值深度作为上界达到 45.80（+23.78），说明无深度投影存在固有精度代价；但 CRP 无需深度传感器，适用性更广。\n- **FoV 敏感性分析（Tab. 5，NuScenes-360）**：\n  - OneBEV++ 在 60°、180°、360° 下分别为 32.41、34.50、56.30 mIoU，从 60° 到 360° 提升 +23.89。\n  - 所有方法在 360° 输入下最高：BEVSegFormer +24.71、360BEV +20.23、OneBEV++ +23.89；OneBEV++ 在每个 FoV 下均领先，说明 CRP + MVTv2 对不同输入覆盖范围具有泛化能力。\n- **拼接鲁棒性分析（Tab. 6，NuScenes-360）**：\n  - 外观级扰动影响较小：Seam Shift 在 S4 为 53.20（相对 clean 56.30 下降 5.5%）；Exposure Mismatch 在 S4 为 56.04（下降 0.5%）。\n  - 几何级扰动影响较大：Yaw Bias 在 S4 为 47.18（下降 16.2%），但仍超过所有基线在干净数据上的表现；Missing View 在 S4 为 15.42（下降 72.6%），是最严重的扰动。\n  - OneBEV++ 与 OneBEV 在 Missing View 下的相对下降接近（-72.6% vs -73.3%），说明该敏感性是全景 BEV 范式的固有属性，而非 CRP 的缺陷；在所有扰动下 OneBEV++ 仍保持约 +5 mIoU 的绝对优势。\n- **跨论文/跨方法差异综合**：\n  - OneBEV++ 相对 OneBEV 的核心增量来自 MVTv2（CRP + FSB + 优化后的 VVB），在室内外四个数据集上均带来一致提升，同时降低 FLOPs 和参数量。\n  - 相对 360BEV，OneBEV++ 在无深度条件下大幅超越；但 Tab. 4 的 IRP 上界（45.80 vs 22.02）表明，若深度信息可用，切换到 IRP 可进一步提升精度，这为后续工作提供了方向。\n  - 综合 Tab. 1、Tab. 2 和 Tab. 7，OneBEV++ 的贡献不仅是单一数据集上的精度提升，而是在统一架构下同时改善精度、效率与鲁棒性，支持跨室内外环境的部署。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n### 模块 C6：下一步可探索的方向\n\n基于论文的现有贡献与实验缺口，从理论、工程、数据/评测三个维度提出后续研究方向。\n\n#### 1. 理论方向\n\n- **深度无关投影的信息损失上界与可学习补偿**：论文在 CRP 消融中显示，使用真值深度的 IRP oracle 达到 45.80 mIoU，比 CRP 的 22.02 高出 23.78 个点（表 4，Sec. 5.4）。这说明“点到列”的径向坍缩本身存在信息损失。后续可从理论上刻画 CRP 将不同径向距离的点映射到同一列时丢失的几何信息，推导该信息损失的上界，并分析可学习偏移（learned offset）在多大程度上能恢复这部分信息。表 4 中移除 offset 导致 mIoU 下降 8.29（V2 vs. V1），说明补偿能力主要来自可学习偏移，但缺少理论解释。\n\n- **跨域统一几何先验的泛化条件**：CRP 依赖地面平面假设和方位角计算（Sec. 4.4，公式 1-3），在室内外不同尺度（室内 ±5m，室外 ±50m，Sec. 5.1）下均有效。下一步可研究该几何先验在相机高度变化、地面非平面、俯仰/横滚扰动下的理论适用边界，并建立误差传播模型，解释为何 Yaw Bias 在 ±10° 时仍能保持 47.18 mIoU（表 6，Sec. 5.4）。\n\n- **状态空间模型在 BEV 空间中的扫描机制理论**：MVTv2 使用 Vanilla VSS Block（VVB）进行 BEV 域空间建模（Sec. 4.5），消融显示去掉 VVB 后性能下降（表 3，行 4-5）。但 Mamba 的序列扫描顺序与 BEV 的二维空间拓扑之间并非天然对齐。后续可探索更符合 BEV 空间各向同性的扫描策略或位置编码理论，分析不同扫描顺序对长距离空间依赖建模的影响。\n\n#### 2. 工程方向\n\n- **面向边缘设备的轻量化与实时部署**：OneBEV++ 在 Stanford-360 上达到 28.9M 参数、88G FLOPs、28.15 FPS（表 7，Sec. 5.4），已具备较好效率。但实际机器人或车载平台通常有更强算力约束。下一步可研究量化（INT8/FP16）、结构化剪枝、知识蒸馏以及 TensorRT/ONNX 部署优化，进一步降低延迟和内存占用，同时保持 mIoU 不显著下降。\n\n- **传感器故障下的鲁棒性增强**：表 6 显示 Missing View 是最严重的扰动，S4 下 OneBEV++ 下降 72.6%（Sec. 5.4）。工程上可设计缺失视角的显式补偿机制，例如基于时序信息补全、跨相机特征插值、或利用 BEV 语义先验进行修复。此外，Yaw Bias 在 S4 下降 16.2%，可开发在线标定误差估计与自适应采样网格校正模块，增强实际部署时的抗标定漂移能力。\n\n- **深度可用时的混合投影框架**：论文指出当深度信息可用时，可将 CRP 的列参考替换为完整 2D 参考点，从而切换为 IRP（Sec. 5.4，CRP 分析）。工程上可进一步实现一个“深度可选”的统一框架：有深度传感器时自动启用 IRP 以获得更高精度，无深度时退回 CRP，从而在同一代码库中适配不同硬件配置的机器人或车辆。\n\n#### 3. 数据/评测方向\n\n- **扩展更多场景与语义类别**：当前四个数据集覆盖室内（Stanford-360、Matterport-360）和室外（NuScenes-360、DeepAccident-360），但室内外类别体系差异大（13/20/6/17 类，Sec. 5.1）。下一步可构建包含更多环境类型（如园区、地下停车场、机场、农田）和长尾动态物体（骑行者、动物、施工区域）的全景 BEV 数据集，并统一类别协议，以更严格检验跨域泛化能力。\n\n- **建立标准化且可比的评测协议**：论文在 FoV 消融中明确指出，由于 BEV 评估区域随 FoV 变化，原始 mIoU 不可直接跨列比较（Sec. 5.4，FoV 分析）。后续可设计“固定 BEV 区域 + 可变输入 FoV”的评测协议，或引入按可见区域归一化的指标，使不同 FoV 下的结果可公平对比。同时可将拼接鲁棒性基准（表 6）扩展为包含室内拼接伪影、运动模糊、曝光突变等更多扰动类型的标准测试集。\n\n- **从单帧到时序/多帧全景 BEV 映射**：当前 OneBEV++ 仅使用单张全景图（Sec. 4.1）。真实自动驾驶和机器人系统通常有视频流。下一步可构建时序全景 BEV 数据集，加入多帧融合、时序一致性约束和运动补偿，并评测 BEV 映射在时间维度上的稳定性（如闪烁率、边界抖动），推动从静态映射走向动态场景理解。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n### 部署约束\n\n- **传感器与输入**：OneBEV++ 依赖单张 360° 全景 RGB 图像（Sec. 4.1），无需 LiDAR 或深度传感器，可降低多相机同步与标定复杂度。但室内外输入分辨率不同：室内为 512×1024，室外为 180×3200（Sec. 5.1）；BEV 输出固定为 200×200，感知范围室内为 [-5m, 5m]×[-5m, 5m]，室外为 [-50m, 50m]×[-50m, 50m]（Sec. 5.1）。实际部署需根据环境切换输入配置，或设计自适应预处理流水线。\n- **硬件与训练成本**：训练使用 4 块 A100 GPU，batch size 为 2/GPU，训练 50 epochs（Sec. 5.1）。推理模型参数量 28.9M，FLOPs 为 88G（室内）/94.1G（室外）（Tab. 2 / Tab. 1），在 Stanford-360 上达到 28.15 FPS（Tab. 7）。但论文未说明 FPS 测试所用 GPU/硬件平台，实时性结论需在目标嵌入式平台或车载计算单元上复测。\n- **系统集成**：室外全景可由多相机拼接生成（NuScenes-360、DeepAccident-360，Sec. 3.3/3.4），也可直接使用全景相机；室内可直接使用全景图像（Stanford-360）或由窄 FoV 图像拼接（Matterport-360，Sec. 3.2）。多相机拼接引入额外的标定、同步和预处理依赖，部署时需考虑相机布局与标定精度。\n\n### 计算与延迟影响\n\n- **效率优势**：相比分别部署 360BEV（室内）和 OneBEV（室外）两个专用模型，OneBEV++ 的 FLOPs 降低 46%、参数量减少 7%（摘要）。相比 OneBEV，FLOPs 从 171G 降至 88G（Tab. 7），同时 Stanford-360 mIoU 从 20.3 提升至 22.0（Tab. 7）。\n- **延迟瓶颈**：MVTv2 包含可变形采样、Feature Selection Block（max-pooling）、Vanilla VSS Block 和迭代增强（Sec. 4.5），计算量低于 OneBEV，FPS 从 13.36 提升到 28.15（Tab. 7），但仍低于 360BEV 的 47.75 FPS（Tab. 7）。若需更高帧率，可能需要量化、剪枝、TensorRT 等推理优化。\n- **分辨率影响**：室外输入宽度为 3200 像素，特征图尺寸较大，实际延迟可能高于室内；论文未报告室外 FPS，需额外基准测试。\n\n### 鲁棒性与安全性问题\n\n- **拼接伪影**：室外全景由多相机图像拼接而成，存在接缝、鬼影、物体错位等问题（Fig. 4，Sec. 3.3）。鲁棒性测试（Tab. 6）显示，Seam Shift 和 Exposure Mismatch 影响较小（S4 分别下降 5.5% 和 0.5%），但 Yaw Bias（标定漂移）在 S4 下降 16.2%，Missing View（相机失效）在 S4 下降 72.6%。\n- **几何退化**：Missing View 是最严重的扰动类型，且 OneBEV++ 与 OneBEV 的相对下降接近（-72.6% vs -73.3%），说明该脆弱性源于全景 BEV 范式本身，而非 CRP 的缺陷（Sec. 5.4）。部署时需监控相机健康状态，在缺失视角时触发降级策略或安全停车。\n- **深度缺失的精度上限**：CRP 无需深度信息，但 IRP oracle（使用真值深度）在 Stanford-360 上达到 45.80 mIoU，比 CRP 高 23.78 个百分点（Tab. 4）。在安全关键场景中，若深度信息可用，可切换至 IRP（Sec. 5.4）。\n- **安全建议**：BEV 语义图用于路径规划、障碍物检测等下游任务（Sec. 1）时，建议与雷达、LiDAR 等传感器融合，并对模型输出的不确定性进行建模。论文未提供不确定性估计或安全验证，实际部署需补充。\n\n### 可维护性与生态\n\n- **代码与数据**：论文声明数据和代码将在 <https://github.com/JialeWei/OneBEV> 公开（摘要），有利于复现和二次开发。\n- **模块化设计**：OneBEV++ 由 backbone、MVTv2、BEV 分割头组成（Sec. 4.2），backbone 可替换（VMamba-T / GroupMamba-T，Tab. 3），CRP 可替换为 IRP（Sec. 5.4），便于持续升级和适配不同硬件。\n- **数据集标准化**：四个数据集（Stanford-360、Matterport-360、NuScenes-360、DeepAccident-360）采用一致的标注协议和评估指标（Sec. 3），降低跨环境迁移成本。\n- **维护风险**：附录中的几何推导和数据集统计未在本文提供（正文引用 Appendix），复现拼接和 BEV 标注细节需依赖补充材料；DeepAccident-360 为合成数据，与真实场景存在域差距，需定期在真实环境中验证模型性能。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n### 总结段落\n\nOneBEV++ 提出了一种统一的、基于单张全景图像进行鸟瞰图（BEV）语义映射的框架，旨在同时覆盖室内与室外场景，避免为不同环境分别设计专用模型。该框架的核心创新包括 Columnar Radial Projection（CRP）、Feature Selection Block（FSB）以及优化后的 Mamba View Transformation version 2（MVTv2）模块。CRP 通过方位角计算将 BEV 查询映射到全景图像的列位置，为无深度信息条件下的视图变换提供几何先验；FSB 利用最大池化筛选显著特征，再交由 Vanilla VSS Block 进行状态空间建模，从而提升效率与精度。作者在四个全景 BEV 基准（Stanford-360、Matterport-360、NuScenes-360、DeepAccident-360）上进行了实验，OneBEV++ 在室内外任务中均取得最优 mIoU，同时相比分别使用专用模型降低了 46% 的 FLOPs 和 7% 的参数量。消融实验表明，CRP 中的可学习采样偏移贡献最大，而最大池化优于平均池化，VVB 模块对细粒度特征融合不可或缺。总体而言，OneBEV++ 以更轻量的架构实现了跨环境的高效全景 BEV 语义映射，为自动驾驶与室内机器人等应用提供了统一解决方案。\n\n### 五个关键要点\n\n1. **统一跨域框架**：OneBEV++ 是首个同时适用于室内与室外场景的全景到 BEV 语义映射统一框架，无需针对特定领域重新设计（见 Sec. 1、Sec. 4）。\n2. **CRP 几何先验**：Columnar Radial Projection 将 BEV 查询映射到全景图像列，为无深度信息的视图变换提供几何约束；相比完全可学习的采样（OneBEV 原始采样），CRP 在 Stanford-360 上带来 +1.69 mIoU 的提升（见 Sec. 4.4、Tab. 4）。\n3. **MVTv2 高效设计**：MVTv2 通过查询采样、FSB 最大池化、VVB 状态空间建模和迭代增强，在降低计算量的同时提升精度；相比 MVT，MVTv2 在 Stanford-360 上相对提升 6.8% mIoU（见 Sec. 4.5、Tab. 3）。\n4. **全面领先的实验结果**：在 NuScenes-360 上达到 56.3 mIoU，在 DeepAccident-360 上达到 38.2 mIoU，在 Stanford-360 上达到 22.0 mIoU，均优于 360BEV、OneBEV 及现有方法（见 Tab. 1、Tab. 2）。\n5. **鲁棒性与效率兼顾**：OneBEV++ 在拼接扰动（Seam Shift、Yaw Bias、Exposure Mismatch、Missing View）下保持绝对优势，且以 28.9M 参数、88G FLOPs、28.15 FPS 实现高精度推理，适合实时应用（见 Tab. 6、Tab. 7）。\n\n### 核心公式 / 机制\n\nCRP 的核心几何映射公式为：\n\n$$\n\\begin{aligned}\n\\phi_{i} &= \\tan^{-1}\\left(\\frac{-x_{i}}{y_{i}}\\right), \\\\\n\\phi_{i} &= \\phi_{i} + 2\\pi, \\quad \\text{if } \\phi_{i} < 0, \\\\\nc_{i} &= \\frac{\\phi_{i}}{2\\pi},\n\\end{aligned}\n$$\n\n其中 $(x_i, y_i)$ 是 BEV 查询点 $q_i$ 在地面坐标系中的坐标，$\\phi_i$ 是该点相对于 y 轴的方位角，$c_i$ 是全景图像中对应的列索引。该机制将径向距离不同的点压缩到同一列，形成点对列的映射；随后 MVTv2 通过可学习采样偏移 $\\Delta p$ 在该列附近进行自适应细化，从而在无深度信息条件下实现鲁棒的视图变换。\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n# Module D：第二遍理解（Second-Pass Understanding）\n\n## 1. 结构树（Structure Tree）\n\n```text\nOneBEV++ (TPAMI 2026)\n├── 1 引言\n│   ├── BEV语义映射背景与全景相机优势\n│   ├── 360BEV/OneBEV 的局限与 OneBEV++ 的统一目标\n│   └── 贡献列表（统一框架、四个基准、MVTv2、深入分析）\n├── 2 相关工作\n│   ├── 2.1 全景图像处理\n│   ├── 2.2 全景场景理解\n│   └── 2.3 BEV语义映射（2D-3D 与 3D-2D 范式）\n├── 3 全景到BEV基准\n│   ├── 3.1 Stanford-360（室内，基于 Stanford2D3D）\n│   ├── 3.2 Matterport-360（室内，基于 Matterport3D 拼接）\n│   ├── 3.3 NuScenes-360（室外，基于 NuScenes 六相机拼接）\n│   ├── 3.4 DeepAccident-360（室外，基于 CARLA 合成）\n│   └── 3.5 数据集统计（细节在附录）\n├── 4 OneBEV++ 框架\n│   ├── 4.1 任务定义\n│   ├── 4.2 架构总览（Backbone + MVTv2 + BEV Head）\n│   ├── 4.3 BEV 查询\n│   ├── 4.4 Columnar Radial Projection (CRP)\n│   └── 4.5 视图变换（MVTv2：查询采样、FSB+VVB、迭代增强）\n├── 5 实验\n│   ├── 5.1 实现细节\n│   ├── 5.2 室外结果（NuScenes-360, DeepAccident-360）\n│   ├── 5.3 室内结果（Stanford-360, Matterport-360）\n│   └── 5.4 分析（MVT、CRP、FoV、拼接鲁棒性、效率）\n├── 6 结论\n└── 参考文献\n```\n\n注：正文引用了附录中的几何推导、数据集统计与类别选择，但本次输入未包含附录内容；图 1–图 9 在输入中为占位符，实际视觉细节需依赖原 PDF。\n\n## 2. 方法/系统拆解\n\n### 2.1 输入与输出\n\n- 输入：单张全景 RGB 图像 I ∈ R^{H×W×3}（Sec. 4.1）。\n- 输出：BEV 语义分割图 M ∈ R^{H_q×W_q×C}，其中 C 为语义类别数（Sec. 4.1）。\n\n### 2.2 整体流程\n\nOneBEV++ 采用端到端架构，由三部分组成（Sec. 4.2, Fig. 5）：\n\n1. 特征提取骨干：VMamba-T 从全景图中提取分层特征 f_360。\n2. 视图变换模块 MVTv2：将全景特征映射到 BEV 空间。\n3. BEV 分割头：轻量解码器生成最终 BEV 语义图。\n\n### 2.3 MVTv2 内部机制（Sec. 4.5）\n\n- BEV 查询：Q ∈ R^{H_q×W_q×C_Emb} 与位置编码 Z 共同编码 BEV 空间先验（Sec. 4.3）。\n- CRP 列投影：对 BEV 查询点 q_i=(x_i,y_i)，计算方位角 φ_i=tan^{-1}(-x_i/y_i)，再归一化为全景列索引 c_i=φ_i/(2π)（Sec. 4.4, Eq. 1）。CRP 建立从 BEV 点到全景列的几何对应，属于无深度条件下的点对列映射。\n- 查询采样：通过线性投影生成可学习偏移 Δp，参考点 p=(r,c) 由可学习高度索引 r 与 CRP 列索引 c 组合，采样公式为 P_i = W f_360(p_{i,j}+Δp_{i,j,k})（Sec. 4.5）。\n- 特征选择与状态空间建模：采样特征先经过 Feature Selection Block (FSB) 使用最大池化选择显著特征，再进入 Vanilla VSS Block (VVB) 进行状态空间建模。\n- 迭代增强：变换后的 Q 同时作为 BEV 表示和下一层 MVTv2 的查询输入，实现渐进细化。\n\n### 2.4 损失函数与训练/推理流\n\n- 损失函数：正文未显式给出损失公式；由于任务是 BEV 语义分割且评估指标为 mIoU，可推断采用逐像素交叉熵损失，但论文未在 Sec. 5.1 中写明，需以代码或附录为准。\n- 训练配置（Sec. 5.1）：4 张 A100 GPU，每卡 batch size 2；初始学习率 5×10^{-5}；50 个 epoch；线性 warm-up + cosine annealing；AdamW，weight decay 0.01。\n- 输入分辨率：室内 512×1024，室外 180×3200；BEV 输出统一 200×200。\n- 感知范围：室内 [-5m,5m]×[-5m,5m]，室外 [-50m,50m]×[-50m,50m]。\n- 推理流：全景图 → VMamba-T 骨干 → MVTv2（CRP+FSB+VVB）→ BEV 分割头 → BEV 语义图。\n\n## 3. 重要图表解读\n\n### 3.1 图 5：OneBEV++ 架构图（核心方法图）\n\n图 5 展示了完整数据流：VMamba-T 从全景输入提取特征，MVTv2 通过迭代细化将特征映射到 BEV 空间，最后由轻量解码器输出语义分割结果。该图对应 Sec. 4.2 和 Sec. 4.5，是理解方法的关键。图中下半部分突出 MVTv2 的三个操作：查询采样、FSB+VVB、迭代增强。该图直接支撑了“统一框架 + 高效视图变换”的核心贡献。\n\n### 3.2 表 1：室外数据集 SOTA 对比\n\n表 1 在 NuScenes-360 和 DeepAccident-360 上对比了 BEVFusion、BEVSegformer、BEVFormer、360BEV、OneBEV 与 OneBEV++。OneBEV++ 以 28.9M 参数和 94.1G FLOPs 达到 56.3% 和 38.2% mIoU，比 OneBEV 高 5.2 和 2.1 个百分点，比 360BEV 高 8.5 和 3.9 个百分点，同时参数和 FLOPs 更低。该表支撑了“统一模型在室外场景中既提升精度又降低计算量”的结论。\n\n### 3.3 表 4：CRP 组件消融\n\n表 4 在 Stanford-360 上对 CRP 进行消融：完整 CRP（V1）为 22.02 mIoU；去掉采样偏移（V2）降至 13.73；仅保留列先验（V3）为 13.59；完全无几何先验的纯学习采样（V4，即 OneBEV 原始采样）为 20.33；使用真值深度的 IRP 上界为 45.80。结论：可学习偏移贡献最大（-8.29），列先验比纯学习采样高 1.69，深度信息带来的上界差距 23.78 反映了无深度投影的固有代价。该表支撑 CRP 设计动机与“粗到细”采样策略的有效性。\n\n## 4. 实验与评估细节\n\n### 4.1 数据集与指标\n\n- 室内：Stanford-360（13 类）、Matterport-360（20 类）。\n- 室外：NuScenes-360（6 类）、DeepAccident-360（17 类）。\n- 指标：类别平均 mIoU（class-averaged mIoU），遵循 OneBEV 评估协议（Sec. 5.1）。\n\n### 4.2 对比目标与公平性\n\n- 对比方法：BEVFusion、BEVSegformer、BEVFormer、360BEV、OneBEV。\n- 公平性处理：所有方法在同一数据集划分和评估协议下比较；FoV 消融中每个模型都在目标 FoV 下重新训练，并将 BEV 真值掩码到对应可见扇形区域（Sec. 5.4, Fig. 8）；拼接鲁棒性实验中模型仅在干净数据上训练，测试时施加扰动（Sec. 5.4, Table 6）。\n\n### 4.3 消融实验汇总\n\n- MVT 组件消融（Table 3）：CrossAtt 15.2 → MVT 18.9 → MVTv2 22.0；去掉 VVB 降至 21.0；平均池化 19.7 vs 最大池化 22.0；GroupMamba-T 骨干 22.2，仅比 VMamba-T 高 0.2。\n- CRP 消融（Table 4）：见上文 3.3。\n- FoV 消融（Table 5）：在 NuScenes-360 上，OneBEV++ 在 60°/180°/360° 下分别为 32.41/34.50/56.30，从 60° 到 360° 提升 +23.89，且在每个 FoV 下均领先。\n- 拼接鲁棒性（Table 6）：Seam Shift 和 Exposure Mismatch 影响很小（S4 下降 5.5% 和 0.5%）；Yaw Bias 在 S4 下降 16.2%，但仍达 47.18 mIoU；Missing View 最严重，S4 下降 72.6%，与 OneBEV 的相对下降幅度接近，说明该敏感性是全景 BEV 范式的固有属性。\n- 效率对比（Table 7）：OneBEV++ 在 Stanford-360 上 28.9M 参数、88G FLOPs、28.15 FPS、22.0 mIoU，综合优于 360BEV（47.75 FPS 但仅 17.8 mIoU）和 OneBEV（13.36 FPS、20.3 mIoU）。\n\n### 4.4 关键结论与定位\n\n- 统一性：OneBEV++ 在室内和室外四个数据集上均达到最佳或相当性能，无需领域特定重设计（Sec. 5.2–5.3）。\n- 高效性：相比分别使用 360BEV 和 OneBEV 两个专用模型，OneBEV++ 减少 46% FLOPs 和 7% 参数（引言）。\n- 鲁棒性：在拼接扰动下保持绝对优势，说明 CRP+MVTv2 的增益不以牺牲鲁棒性为代价（Sec. 5.4, Table 6）。\n\n## 5. 方法类论文图示（Pipeline Diagram）\n\n```text\nPanorama I (H×W×3)\n        │\n        ▼\n[VMamba-T Backbone] ──► f_360 (H_360×W_360×C_Emb)\n        │\n        ▼\n[MVTv2 View Transformation]\n        │\n        ├── BEV Queries Q + Positional Embeddings Z\n        ├── CRP: BEV (x,y) → azimuth φ → column c\n        ├── Query-based Sampling: p=(r,c)+Δp → P_i\n        ├── FSB (max-pooling) → salient features\n        ├── VVB (state space modeling)\n        └── Iterative refinement (Q update)\n        │\n        ▼\n[BEV Segmentation Head]\n        │\n        ▼\nBEV Semantic Map M (H_q×W_q×C)\n```\n\n该图概括了 OneBEV++ 的端到端数据流，突出 MVTv2 内部“CRP 几何先验 + 可学习偏移 + 最大池化特征选择 + 状态空间建模”的核心设计，与 Sec. 4.2–4.5 的描述一致。\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n### 1. 可重建性（Reconstructability）\n\n根据论文第 4 节和第 5.1 节，OneBEV++ 的核心流程可重建为以下伪代码。该重建基于正文描述，但缺少附录中的部分几何推导细节（如 Matterport-360 的 XYZ 构建、NuScenes-360 的拼接推导），因此属于“可复现级”而非“逐行级”重建。\n\n```text\n输入：单张全景图 I ∈ R^{H×W×3}；BEV 查询网格尺寸 H_q × W_q；类别数 C\n输出：BEV 语义分割图 M ∈ R^{H_q × W_q × C}\n\n1. 特征提取：\n   F_360 = VMamba-T(I)          # 层次化全景特征，见 Sec. 4.2 与 Fig. 5\n\n2. 初始化 BEV 查询：\n   Q = 可学习参数 (H_q × W_q × C_Emb)   # BEV queries，见 Sec. 4.3\n   Z = 位置编码 (H_q × W_q × C_Emb)      # 空间先验，见 Sec. 4.3\n\n3. 迭代视图变换（MVTv2，共 2 层，见 Sec. 5.1）：\n   for layer in 1..2:\n       # 3a. CRP 列索引计算（Sec. 4.4, Eq. 1）\n       for each BEV query q_i = (x_i, y_i):\n           φ_i = atan2(-x_i, y_i)          # 方位角\n           if φ_i < 0: φ_i += 2π\n           c_i = φ_i / (2π)                # 归一化列位置\n\n       # 3b. 查询采样（Sec. 4.5, Eq. 2）\n       Δp = Linear(Q)                      # 可学习偏移 (H_q×W_q×D×L×2)\n       r = 可学习高度索引 (H_q×W_q×L×1)\n       p = (r, c) + Δp                     # 参考点 + 偏移\n       P = W · F_360(p)                    # 双线性采样，W 为投影矩阵\n\n       # 3c. 特征选择与状态空间建模（Sec. 4.5）\n       P_selected = MaxPool(P)             # FSB，max-pooling 选择显著特征\n       Q = VanillaVSSBlock(P_selected)     # VVB，Mamba 状态空间建模\n\n4. BEV 分割头：\n   M = LightweightDecoder(Q)               # 轻量分割头，见 Sec. 4.2\n\n5. 损失：与 OneBEV 相同的 mIoU 训练协议（Sec. 5.1）\n```\n\n重建要点：\n\n- CRP 将每个 BEV 查询映射到全景图的某一列，而不是精确的 2D 点；列内位置由可学习高度索引和偏移决定（Sec. 4.4, Fig. 6）。\n- MVTv2 的迭代增强体现在第 3 步循环中：当前层输出的 Q 同时作为下一层的 BEV 表示和查询输入（Sec. 4.5 第 3 点）。\n- 若提供真值深度，可将 CRP 替换为 360BEV 的 IRP 作为 oracle 上界（Tab. 4 中 IRP 达 45.80 mIoU）。\n\n### 2. 假设（Assumptions）\n\n- **单目全景输入足以推断 BEV 语义**：模型仅依赖一张 360° 全景 RGB 图，不依赖 LiDAR、深度传感器或多相机同步（Sec. 4.1）。\n- **地面平面假设**：BEV 查询定义在水平地面坐标系中，CRP 通过方位角建立 BEV 与全景列的几何关系，隐含假设主要语义位于或可投影到地平面（Sec. 4.4, Fig. 6）。\n- **全景图已正确拼接或可容忍拼接误差**：室外数据集由多相机拼接而成，存在接缝、重影和畸变；模型通过可学习偏移吸收这些误差（Sec. 3.3, Sec. 4.4, Tab. 6）。\n- **室内外场景共享同一套视图变换机制**：OneBEV++ 不做领域特定重设计，仅调整输入分辨率和感知范围（室内 512×1024、[-5m,5m]；室外 180×3200、[-50m,50m]），假设 CRP+MVTv2 的几何映射对两种尺度均适用（Sec. 5.1）。\n- **标注一致性**：四个数据集的 BEV 标注协议和评估指标被“标准化”，但论文未在正文给出完整类别统计，依赖附录（Sec. 3.5）。\n- **深度信息不可用**：CRP 的设计前提是无需真值深度；若深度可用，IRP 是更优选择（Tab. 4 中 IRP 比 CRP 高 23.78 mIoU）。\n\n### 3. 失效模式或盲区（Failure Modes / Blind Spots）\n\n- **相机缺失导致严重性能崩溃**：在 NuScenes-360 上，Missing View 扰动（挖掉 30°–120° 区域）在 S4 严重度下使 OneBEV++ 的 mIoU 从 56.30 降至 15.42（-72.6%），说明模型对全景输入完整性高度敏感（Tab. 6）。\n- **深度缺失带来的精度上限**：CRP 是深度无关的列级映射，与使用真值深度的 IRP oracle 相比差距达 23.78 mIoU（Tab. 4）。在需要高精度近距离几何的场景（如室内精细避障）中，该差距可能成为瓶颈。\n- **拼接几何畸变未被完全建模**：论文承认拼接会产生弯曲道路、重影和物体错位（Fig. 4），且 Yaw Bias 在 S4 时造成 -16.2% 的退化（Tab. 6）。CRP 的列映射假设在相机标定漂移较大时可能失效。\n- **室内外性能不均衡**：在 Matterport-360 上 OneBEV++ 相对 360BEV 仅提升 0.5/0.3 个点（Tab. 2），远小于 Stanford-360 上的 4.2 个点；对复杂室内场景的泛化优势有限。\n\n### 4. 优势与劣势（Strengths and Weaknesses）\n\n### 优势\n\n- **统一架构，跨域有效**：OneBEV++ 首次在室内（Stanford-360、Matterport-360）和室外（NuScenes-360、DeepAccident-360）四个数据集上使用同一模型取得 SOTA，无需领域特定重设计（Sec. 1, Tab. 1-2）。\n- **效率显著提升**：相比 OneBEV，FLOPs 降低约 46%（177G→94.1G 室外；171G→88G 室内），参数量降低约 7%（31.0M→28.9M），同时精度提升（Sec. 1, Tab. 1-2, Tab. 7）。\n- **组件消融充分**：Tab. 3 对 VT 类型、VVB、池化类型、骨干网络进行消融；Tab. 4 对 CRP 的列先验、垂直索引、偏移进行消融；Tab. 5 对 FoV 进行消融；Tab. 6 对拼接鲁棒性进行测试，证据链完整。\n- **几何先验与可学习机制结合**：CRP 提供方位角列先验，可学习偏移负责列内精调，消融显示该组合比纯学习采样高 1.69 mIoU（Tab. 4, V1 vs V4）。\n- **鲁棒性分析有区分度**：外观级扰动（曝光失配）几乎不影响性能，几何级扰动（Yaw Bias、Missing View）影响更大，且 OneBEV++ 在绝对 mIoU 上始终优于 OneBEV（Tab. 6）。\n\n## 劣势\n\n- **深度 oracle 差距过大**：CRP 与 IRP 的 23.78 mIoU 差距表明，无深度方案仍远未达到有深度监督的上限（Tab. 4）。\n- **缺少与更多无深度全景 BEV 方法的对比**：对比方法主要是多相机 BEV 方法（BEVFusion、BEVSegformer、BEVFormer）和作者自己的 360BEV/OneBEV，缺少其他全景 BEV 方法的独立验证。\n- **数据集构建细节依赖附录**：Matterport-360 的 XYZ 推导、NuScenes-360 的拼接推导、类别选择统计均在附录中，正文无法独立验证（Sec. 3.2-3.5）。\n- **室内复杂场景增益有限**：在 Matterport-360 上相对 360BEV 仅 +0.5/+0.3 mIoU，且 OneBEV++ 的绝对 mIoU（28.8/24.3）仍明显低于室外 NuScenes-360（56.3），室内任务可能受限于标注质量和类别数（20 类 vs 6 类）。\n- **效率对比的公平性**：Tab. 7 中 FPS 对比未说明硬件、批大小和输入分辨率是否完全一致；OneBEV++ 的 FPS（28.15）低于 360BEV（47.75），但精度更高，需结合具体部署场景权衡。\n\n### 5. 下一步研究方向（Next-Step Research Directions）\n\n- **引入轻量深度估计或几何先验以缩小与 IRP 的差距**：Tab. 4 显示真值深度可将 mIoU 从 22.02 提升至 45.80。可探索单目全景深度估计与 CRP 的联合训练，或利用多帧一致性生成伪深度，在保持无传感器依赖的同时逼近 IRP 上限。\n- **增强对相机缺失和标定漂移的鲁棒性**：Tab. 6 中 Missing View 和 Yaw Bias 是主要失效源。可设计显式的全景完整性感知机制（如掩码 token、自注意力中的可见性掩码）或在线标定自校正模块，使模型在部分相机故障时仍能保持可用。\n- **扩展到动态场景和时序信息**：当前 OneBEV++ 处理单帧静态 BEV 映射。下一步可结合视频序列或 temporal Mamba，利用帧间一致性提升动态障碍物（车辆、行人）的 BEV 语义质量，并缓解拼接伪影。\n- **统一更多传感器模态与任务**：论文聚焦纯视觉全景 BEV 语义分割。可借鉴 BEVFusion 的多传感器融合思路，将全景相机与低成本雷达或 4D 毫米波雷达结合，在保持单全景相机简洁性的同时提升恶劣天气下的可靠性。\n- **开源基准与可复现性建设**：论文承诺公开数据和代码（GitHub: <https://github.com/JialeWei/OneBEV）。下一步可补充完整的附录推导、数据集统计、训练配置和评估脚本，便于社区复现并扩展至更多室内外场景>。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n### 术语表（Glossary）\n\n1. **Bird's-Eye-View (BEV) semantic mapping / 鸟瞰图语义映射**\n   - 定义：从透视或全景图像生成俯视视角的语义分割图，每个像素标注语义类别。\n   - 直觉：像从正上方俯瞰场景，把“看到什么”变成“地图上哪里是什么”。\n   - 在论文中的作用：OneBEV++ 的核心任务，输出 BEV 语义图用于导航、路径规划等。\n   - 前置知识：语义分割、坐标变换。\n\n2. **Panoramic image / 全景图像**\n   - 定义：覆盖 360° 水平视场的图像，通常用等距柱状投影表示。\n   - 直觉：一张图包含周围全部环境，像展开的地球仪。\n   - 在论文中的作用：OneBEV++ 的输入，替代多相机系统，简化硬件与同步。\n   - 前置知识：图像表示、相机模型。\n\n3. **Equirectangular projection / 等距柱状投影**\n   - 定义：将球面全景展开为矩形图像，经线等距分布，纬线等距分布。\n   - 直觉：把地球仪展开成世界地图，越靠近两极拉伸越严重。\n   - 在论文中的作用：全景图像的常见表示，带来几何畸变，需要畸变感知处理。\n   - 前置知识：球坐标、投影。\n\n4. **View transformation / 视图变换**\n   - 定义：将一种视角下的特征映射到另一种视角（如从前视全景到 BEV）的过程。\n   - 直觉：把“眼睛看到的”转换成“地图上的位置”。\n   - 在论文中的作用：MVTv2 模块的核心功能，是 BEV 语义映射的关键步骤。\n   - 前置知识：相机几何、特征采样。\n\n5. **Columnar Radial Projection (CRP) / 柱状径向投影**\n   - 定义：将 BEV 坐标通过方位角映射到全景图像列索引的几何投影方法。\n   - 直觉：BEV 中同一射线上不同距离的点，在全景图中落在同一列，因此是“点对列”映射。\n   - 在论文中的作用：OneBEV++ 的核心创新之一，为无深度场景提供几何先验。\n   - 前置知识：极坐标、方位角、全景图像列坐标。\n\n6. **Inverse Radial Projection (IRP) / 逆径向投影**\n   - 定义：360BEV 中利用深度信息实现 BEV 点与全景像素点对点映射的投影方法。\n   - 直觉：知道每个点的深度，就能精确反投影到全景图上的具体像素。\n   - 在论文中的作用：作为 CRP 的深度监督 oracle 上界，用于对比无深度方法的代价。\n   - 前置知识：深度图、相机内参、反投影。\n\n7. **Azimuth angle / 方位角**\n   - 定义：在水平面上，从参考方向（论文中为 y 轴）到目标点的角度。\n   - 直觉：指南针方向，决定全景图中的水平列位置。\n   - 在论文中的作用：CRP 公式的核心变量，将 BEV 坐标转为全景列索引。\n   - 前置知识：三角函数、极坐标。\n\n8. **BEV query / BEV 查询**\n   - 定义：BEV 平面上的可学习特征向量，每个查询对应一个离散空间位置。\n   - 直觉：地图上的每个格子都有一个“问题”，去全景图中寻找答案。\n   - 在论文中的作用：MVTv2 通过 BEV query 采样全景特征，迭代更新 BEV 表示。\n   - 前置知识：注意力机制、查询-键-值。\n\n9. **Positional embedding / 位置编码**\n   - 定义：为 BEV 查询添加的空间位置信息向量。\n   - 直觉：给每个地图格子贴上“坐标标签”，让模型知道它在哪里。\n   - 在论文中的作用：与 BEV query 配合，保持几何一致性。\n   - 前置知识：Transformer、空间先验。\n\n10. **Feature Selection Block (FSB) / 特征选择块**\n    - 定义：通过最大池化从采样特征中提取最显著特征的模块。\n    - 直觉：从一堆候选特征中挑出“最亮”的那个，减少冗余。\n    - 在论文中的作用：OneBEV++ 的第二项创新，提升效率与准确性。\n    - 前置知识：池化、特征显著性。\n\n11. **Max-pooling / 最大池化**\n    - 定义：在局部区域取最大值的下采样或特征选择操作。\n    - 直觉：只保留最强的响应，忽略较弱信息。\n    - 在论文中的作用：FSB 使用 max-pooling 选择显著特征，消融显示优于平均池化。\n    - 前置知识：卷积神经网络基础。\n\n12. **Mamba / Mamba**\n    - 定义：一种基于选择性状态空间的线性时间序列模型。\n    - 直觉：像 RNN 一样顺序处理，但通过选择性机制只关注重要信息，速度快。\n    - 在论文中的作用：作为 MVT/MVTv2 的基础，替代交叉注意力进行特征融合。\n    - 前置知识：序列建模、RNN、Transformer。\n\n13. **State space model (SSM) / 状态空间模型**\n    - 定义：用隐状态描述输入输出关系的数学模型，Mamba 是其高效变体。\n    - 直觉：把特征看作随时间演化的状态，用少量参数捕捉长程依赖。\n    - 在论文中的作用：VVB 的核心计算机制，用于 BEV 空间建模。\n    - 前置知识：线性系统、序列建模。\n\n14. **Vanilla VSS Block (VVB) / 标准 VSS 块**\n    - 定义：VMamba 中的基础视觉状态空间模块，含扫描机制。\n    - 直觉：用 Mamba 的扫描方式替代注意力，实现高效特征融合。\n    - 在论文中的作用：MVTv2 中负责 BEV 域的空间建模，消融显示不可或缺。\n    - 前置知识：Mamba、视觉状态空间模型。\n\n15. **MVT (Mamba View Transformation) / Mamba 视图变换**\n    - 定义：OneBEV 提出的基于 Mamba 的视图变换模块。\n    - 直觉：用 Mamba 的扫描能力把全景特征“搬”到 BEV。\n    - 在论文中的作用：OneBEV++ 的前身，作为对比基线和消融对象。\n    - 前置知识：Mamba、视图变换。\n\n16. **MVTv2 (Mamba View Transformation version 2) / Mamba 视图变换第二版**\n    - 定义：OneBEV++ 优化的视图变换模块，集成 CRP 与 FSB。\n    - 直觉：在 MVT 基础上加入几何先验和特征选择，更快更准。\n    - 在论文中的作用：OneBEV++ 的核心架构组件。\n    - 前置知识：MVT、CRP、FSB。\n\n17. **Deformable attention / 可变形注意力**\n    - 定义：注意力机制中，查询通过学习偏移量在特征图上动态采样。\n    - 直觉：不是看固定位置，而是学会“往哪看”。\n    - 在论文中的作用：MVTv2 的查询采样借鉴可变形思想，生成采样偏移。\n    - 前置知识：注意力机制、可变形卷积。\n\n18. **Sampling offset / 采样偏移**\n    - 定义：在参考采样点基础上学习的局部位置调整量。\n    - 直觉：在 CRP 给出的列附近微调，找到更准确的特征位置。\n    - 在论文中的作用：CRP 消融显示偏移是最关键组件，移除后 mIoU 下降 8.29。\n    - 前置知识：可变形采样、坐标回归。\n\n19. **Column prior / 列先验**\n    - 定义：由 CRP 几何公式计算出的全景图像列索引，作为采样参考。\n    - 直觉：先告诉模型“目标大致在这一列”，再让模型微调。\n    - 在论文中的作用：为无深度 BEV 采样提供几何约束。\n    - 前置知识：方位角、全景列坐标。\n\n20. **Vertical index / 垂直索引**\n    - 定义：可学习的采样高度索引，用于确定全景图像中的行位置。\n    - 直觉：同一列中不同高度对应不同物体，需要选择合适行。\n    - 在论文中的作用：CRP 中与列先验配合，提供初始高度种子。\n    - 前置知识：图像坐标、BEV 几何。\n\n21. **mIoU (mean Intersection-over-Union) / 平均交并比**\n    - 定义：所有类别 IoU 的平均值，衡量预测与真值重叠程度。\n    - 直觉：预测区域和真实区域重合越多越好。\n    - 在论文中的作用：主要评估指标，用于所有数据集和消融实验。\n    - 前置知识：语义分割评估。\n\n22. **FLOPs / 浮点运算次数**\n    - 定义：模型前向推理的浮点运算量，衡量计算复杂度。\n    - 直觉：数值越大越“费算力”。\n    - 在论文中的作用：OneBEV++ 声称比分离模型减少 46% FLOPs。\n    - 前置知识：模型复杂度分析。\n\n23. **FPS (Frames Per Second) / 每秒帧数**\n    - 定义：模型每秒处理的图像数量，衡量推理速度。\n    - 直觉：每秒能处理多少张图，越高越实时。\n    - 在论文中的作用：效率对比表 Tab.7 中的关键指标。\n    - 前置知识：推理性能评估。\n\n24. **Backbone / 骨干网络**\n    - 定义：提取输入图像特征的主干网络。\n    - 直觉：模型的“眼睛”，把像素变成特征。\n    - 在论文中的作用：使用 VMamba-T 提取全景特征，也对比 GroupMamba-T。\n    - 前置知识：CNN、视觉 Transformer。\n\n25. **VMamba-T / VMamba-T**\n    - 定义：基于 Mamba 的视觉状态空间骨干网络（tiny 版本）。\n    - 直觉：用 Mamba 替代 Transformer 的视觉骨干，效率高。\n    - 在论文中的作用：OneBEV++ 的默认特征提取器。\n    - 前置知识：Mamba、视觉骨干。\n\n26. **BEV segmentation head / BEV 分割头**\n    - 定义：将 BEV 特征解码为逐像素语义类别的轻量网络。\n    - 直觉：把地图特征“翻译”成类别标签。\n    - 在论文中的作用：OneBEV++ 的最后一部分，输出最终 BEV 语义图。\n    - 前置知识：语义分割解码器。\n\n27. **Orthographic projection / 正交投影**\n    - 定义：将 3D 点沿垂直方向投影到水平面的投影方式。\n    - 直觉：没有透视收缩，像从无限远上方看。\n    - 在论文中的作用：用于从 XYZ 图生成 BEV 真值标注。\n    - 前置知识：3D 几何、投影。\n\n28. **Stitching / 拼接**\n    - 定义：将多张窄视场图像合成为全景图像的过程。\n    - 直觉：把多张照片拼成一张全景图。\n    - 在论文中的作用：Matterport-360 和 NuScenes-360 数据集构建的关键步骤，也带来伪影。\n    - 前置知识：图像配准、相机外参。\n\n29. **Field of View (FoV) / 视场角**\n    - 定义：传感器或图像覆盖的角度范围。\n    - 直觉：能看到多宽。\n    - 在论文中的作用：FoV 消融显示 360° 输入比 60° 提升 +23.89 mIoU。\n    - 前置知识：相机模型。\n\n30. **Perception range / 感知范围**\n    - 定义：BEV 输出覆盖的实际空间范围。\n    - 直觉：地图能画多大区域。\n    - 在论文中的作用：室内 ±5m，室外 ±50m，输出分辨率 200×200。\n    - 前置知识：BEV 坐标、分辨率。\n\n31. **Depth-free / 无深度**\n    - 定义：不使用深度传感器或真值深度进行视图变换。\n    - 直觉：没有“距离”信息，只能靠几何先验和学习。\n    - 在论文中的作用：CRP 专为无深度场景设计，扩大适用范围。\n    - 前置知识：深度估计、传感器。\n\n32. **Oracle depth / 真值深度上界**\n    - 定义：使用 ground-truth 深度进行投影的理想化设置。\n    - 直觉：如果知道每个点的准确距离，映射自然更准。\n    - 在论文中的作用：IRP oracle 达到 45.80 mIoU，显示无深度方法的性能上限差距。\n    - 前置知识：深度真值、评估协议。\n\n33. **Cross-attention / 交叉注意力**\n    - 定义：查询来自一个序列，键值来自另一个序列的注意力机制。\n    - 直觉：用 BEV 查询去“看”全景特征。\n    - 在论文中的作用：作为 MVT 的对比基线（BEVSegFormer 等使用）。\n    - 前置知识：Transformer 注意力。\n\n34. **2D-3D vs 3D-2D paradigm / 2D-3D 与 3D-2D 范式**\n    - 定义：BEV 视图变换的两种方向：从 2D 图像提升到 3D，或从 3D/BEV 反投影到 2D。\n    - 直觉：一个先“抬升”再“俯视”，一个先“俯视”再“查找”。\n    - 在论文中的作用：定位 OneBEV++ 属于 3D-2D 类方法。\n    - 前置知识：LSS、IPM。\n\n35. **LSS (Lift, Splat, Shoot) / LSS**\n    - 定义：通过估计深度将 2D 特征“提升”到 3D，再“拍平”到 BEV 的经典方法。\n    - 直觉：先猜每个像素的距离，再铺到地图上。\n    - 在论文中的作用：2D-3D 范式的代表，与 OneBEV++ 的 3D-2D 方法形成对比。\n    - 前置知识：深度估计、体素投影。\n\n### 概念依赖图（Concept Dependency Map）\n\n```text\n全景图像\n  ├─ 等距柱状投影\n  │    └─ 几何畸变\n  ├─ 拼接\n  │    └─ 拼接伪影\n  └─ 相机模型\n       └─ 方位角\n\nBEV 语义映射\n  ├─ BEV query\n  │    └─ 位置编码\n  ├─ 视图变换\n  │    ├─ 2D-3D 范式（LSS）\n  │    └─ 3D-2D 范式（IPM、CRP）\n  └─ BEV 分割头\n\nOneBEV++ 核心依赖链：\nMamba → VMamba-T → 全景特征\nCRP（方位角 + 列先验 + 垂直索引 + 采样偏移）→ 参考采样点\nBEV query + 参考采样点 → 可变形采样 → 采样特征\n采样特征 → FSB（最大池化）→ 显著特征\n显著特征 → VVB（状态空间建模）→ BEV 特征\nBEV 特征 → 迭代增强 → 下一层 MVTv2 → BEV 分割头 → BEV 语义图\n\n评估依赖链：\nBEV 真值（正交投影 / 数据集标注）→ mIoU\n模型复杂度：参数量、FLOPs、FPS\n鲁棒性：拼接伪影、FoV、corruption\n```\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n### 1. 关键事实核查\n\n以下每项声明均给出论文内定位与交叉来源。\n\n| # | 事实声明 | 论文内定位 | 交叉/外部来源 |\n|---|---|---|---|\n| 1 | OneBEV++ 在四个全景 BEV 数据集上取得最优 mIoU，并比分别使用专用模型降低约 46% FLOPs 和 7% 参数量。 | 摘要；第 1 节引言；表 1；表 2 | 表 1 中 OneBEV++ 在 NuScenes-360/DeepAccident-360 上为 56.3/38.2，表 2 中在 Stanford-360/Matterport-360 上为 22.0/28.8(24.3)；与 360BEV、OneBEV 的参数量和 FLOPs 对比见同一表格。 |\n| 2 | CRP（Columnar Radial Projection）通过方位角计算将 BEV 查询点映射到全景图像的列位置。 | 第 4.4 节公式 (1)-(3)；图 6 | 第 4.5 节 Query-based Sampling 中参考点 p := (r,c) 使用 CRP 列索引；表 4 的 CRP 消融实验验证其有效性。 |\n| 3 | FSB（Feature Selection Block）使用 max-pooling 选择显著特征，再送入 Vanilla VSS Block 进行状态空间建模。 | 第 4.5 节 Feature Selection and State Space Modeling；图 5 | 表 3 行 6-7 显示 max-pooling 优于 average-pooling（22.0 vs 19.7）；图 7 可视化 max-pooling 选中的显著点。 |\n| 4 | MVTv2 在降低计算量的同时保持或提升精度。 | 第 4.5 节；第 5.2 节；第 5.3 节 | 表 1/表 2/表 7 中 OneBEV++ 的 FLOPs 低于 OneBEV 且 mIoU 更高；第 5.4 节 Analysis of Efficiency 给出 FPS 与 mIoU 对比。 |\n| 5 | 论文构建/扩展了四个全景 BEV 数据集：Stanford-360、Matterport-360、NuScenes-360、DeepAccident-360。 | 第 3 节各小节；第 3.5 节 | 摘要；表 1 和表 2 的数据集列；参考文献 [^54][^55][^56][^60] 分别对应原始数据源。 |\n| 6 | 360° 全景输入相比窄 FoV 输入能带来显著性能提升。 | 第 5.4 节 Analysis of FoV；表 5；图 8 | 表 5 中 OneBEV++ 从 60° 到 360° 提升 +23.89 mIoU；BEVSegFormer 和 360BEV 同样在 360° 下最高。 |\n| 7 | 拼接鲁棒性实验中，外观级扰动（Seam Shift、Exposure Mismatch）影响较小，几何级扰动（Yaw Bias、Missing View）影响较大。 | 第 5.4 节 Analysis of Stitching Robustness；表 6 | 表 6 中 OneBEV++ 在 S4 下 Seam Shift 仅下降 5.5%，Exposure Mismatch 下降 0.5%，而 Yaw Bias 下降 16.2%，Missing View 下降 72.6%。 |\n\n### 2. 冲突或不确定性说明\n\n- 表 1 中 OneBEV++ 的 FLOPs 为 94.1G，表 2 和表 7 中为 88G。差异可能源于室外输入分辨率 180×3200 与室内 512×1024 不同，但论文未在同一位置明确解释，需注意。\n- 表 2 中 BEVFormer 在 Stanford-360 上的 mIoU 为 17.5，表 7 中为 17.3。两处数值不一致，可能因评估设置或取整差异，论文未说明。\n- 表 3 中存在多行配置相似且 mIoU 均为 22.0 的情况（如第 3 行与第 5 行、第 7 行与第 8 行），可能对应不同消融维度，但表格排版未完全区分，阅读时需结合正文。\n- 论文正文引用附录时出现“Appendix ?”或“Appendix \\ref{app3}”等未解析占位符，说明作者版中附录链接未完成，无法核对 Matterport-360 和 NuScenes-360 的完整几何推导及数据集统计细节。\n- 摘要声称“FLOPs 减少 46%”和“参数量减少 7%”，但未明确说明是与哪两个专用模型（360BEV + OneBEV）的加总对比；根据表 1/表 2 可近似验证，但需自行计算。\n- 图 1 声称 OneBEV++ 在 Matterport-360 上“更高 mIoU”，但表 2 显示相对 360BEV 仅提升 +0.5（val）和 +0.3（test），提升幅度较小，需谨慎解读。\n- 作者简介中 Ruiping Liu 的英文代词为“She”，但姓名拼写通常为男性名；此为作者简介原文，不影响技术内容。\n\n### 3. 参考文献列表\n\n以下为核查过程中直接引用的论文参考文献（编号沿用原文）：\n\n- [^1] Z. Li et al., “BEVFormer: Learning bird’s-eye-view representation from multi-camera images via spatiotemporal transformers,” ECCV, 2022.\n- [^5] Z. Teng et al., “360BEV: Panoramic Semantic Mapping for Indoor Bird’s-Eye View,” WACV, 2024.\n- [^13] L. Peng et al., “BEVSegFormer: Bird’s eye view semantic segmentation from arbitrary camera rigs,” WACV, 2023.\n- [^14] J. Wei et al., “OneBEV: Using One Panoramic Image for Bird’s-Eye-View Semantic Mapping,” ACCV, 2024, pp. 583–596.\n- [^38] Z. Liu et al., “BEVFusion: Multi-task multi-sensor fusion with unified bird’s-eye view representation,” ICRA, 2023, pp. 2774–2781.\n- [^53] A. Gu and T. Dao, “Mamba: Linear-time sequence modeling with selective state spaces,” arXiv:2312.00752, 2023.\n- [^54] I. Armeni et al., “Joint 2D-3D-semantic data for indoor scene understanding,” arXiv:1702.01105, 2017.\n- [^55] A. Chang et al., “Matterport3D: Learning from RGB-D data in indoor environments,” 3DV, 2017.\n- [^56] H. Caesar et al., “nuScenes: A multimodal dataset for autonomous driving,” CVPR, 2020, pp. 11621–11631.\n- [^60] T. Wang et al., “DeepAccident: A motion and accident prediction benchmark for V2X autonomous driving,” AAAI, vol. 38, no. 6, 2024, pp. 5599–5606.\n- [^61] A. Dosovitskiy et al., “CARLA: An open urban driving simulator,” CoRL, 2017, pp. 1–16.\n- [^62] Y. Liu et al., “VMamba: Visual state space model,” arXiv:2401.10166, 2024.\n- [^63] A. Shaker et al., “GroupMamba: Efficient group-based visual state space model,” CVPR, 2025, pp. 14912–14922.\n\n完整参考文献列表见论文原文 References 部分。数据和代码声明公开于 <https://github.com/JialeWei/OneBEV>。\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n# 模块 H：图表提取\n\n## 1. 全量索引\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支撑的结论 | 重要度 |\n|---|---|---|---|---|---|\n| Fig. 1 | OneBEV++ 统一全景 BEV 语义映射，跨室内外场景优于 360BEV/OneBEV，且 FLOPs/参数量更低 | 总览图/teaser | 第 1 节 | 统一框架在四个数据集上同时提升精度与效率 | 5 |\n| Fig. 2 | BEV 语义图生成：由前视语义图与全局 XYZ 经正交投影得到 BEV 语义图 | 数据生成流程 | 第 2.3 节、第 3.1 节 | Stanford-360 的 BEV 标注生成方式 | 4 |\n| Fig. 3 | Matterport3D 全景前视生成：利用旋转 R 和平移 t 拼接 18 张窄视图像 | 数据构建流程 | 第 3.2 节 | Matterport-360 全景图构建方法 | 4 |\n| Fig. 4 | 重建全景及其挑战：道路弯曲/不完整、接缝与重影、物体错位 | 定性示例 | 第 3.3 节 | 拼接伪影存在，需进行鲁棒性分析 | 4 |\n| Fig. 5 | OneBEV++ 架构：VMamba-T 骨干 + MVTv2 视图变换 + 轻量 BEV 分割头 | 架构图 | 第 4.2 节、第 4.5 节 | 整体端到端架构设计 | 5 |\n| Fig. 6 | CRP：将 BEV 查询 q_i 映射到全景列 c_i，径向距离不同的点坍缩到同一列 | 方法示意图 | 第 4.4 节 | CRP 的几何映射原理 | 5 |\n| Fig. 7 | MVT 与 MVTv2 的可变形偏移可视化；蓝色点为 max-pooling 选中的显著特征 | 定性分析 | 第 5.4 节 Analysis of MVT | MVTv2 定位更准，max-pooling 选择显著特征有效 | 4 |\n| Fig. 8 | FoV 消融可视化：全景输入限制为前向扇区，BEV 监督相应掩码 | 实验设置图 | 第 5.4 节 Analysis of FoV | FoV 消融实验的设置与公平性 | 3 |\n| Fig. 9 | 360BEV、OneBEV、OneBEV++ 在 Stanford-360 的训练收敛曲线 | 定量曲线 | 第 5.4 节 Analysis of Efficiency | OneBEV++ 收敛更快、精度更高 | 4 |\n| Table 1 | 室外数据集 SOTA 对比（NU-360/DA-360） | 定量结果 | 第 5.2 节 | OneBEV++ 在室外取得 SOTA，且参数量/FLOPs 更低 | 5 |\n| Table 2 | 室内数据集 SOTA 对比（S-360/MP-360） | 定量结果 | 第 5.3 节 | OneBEV++ 在室内取得 SOTA/领先结果 | 5 |\n| Table 3 | OneBEV++ 组件消融（VT Type、VVB、Pooling Type） | 消融实验 | 第 5.4 节 Analysis of MVT | MVTv2 各组件均有贡献，VVB 不可或缺，max-pooling 优于 avg-pooling | 5 |\n| Table 4 | CRP 组件消融（V1-V4 与 IRP oracle） | 消融实验 | 第 5.4 节 Analysis of CRP | 可学习偏移最重要；几何先验优于纯学习；IRP 为深度可用时的上界 | 5 |\n| Table 5 | FoV 消融（60°/180°/360°） | 消融实验 | 第 5.4 节 Analysis of FoV | 360° 输入收益最大；OneBEV++ 在各 FoV 均领先 | 4 |\n| Table 6 | 拼接鲁棒性（4 种 corruption × 4 级 severity） | 鲁棒性实验 | 第 5.4 节 Analysis of Stitching Robustness | 外观级扰动影响小，几何级扰动影响大；OneBEV++ 保持绝对优势 | 5 |\n| Table 7 | 推理效率对比（Param/FLOPs/FPS/mIoU） | 效率对比 | 第 5.4 节 Analysis of Efficiency | OneBEV++ 在精度-效率权衡上最佳 | 4 |\n\n## 2. 优先深度阅读（Top-priority deep reads）\n\n1. **Fig. 5 + Table 3 + Table 4**（架构与核心消融）\n   - 原因：Fig. 5 是理解 OneBEV++ 的入口；Table 3/4 分别验证 MVTv2 与 CRP 各组件贡献，是论文“统一且高效”主张的直接证据。\n   - 阅读重点：MVTv2 的 query-based sampling、FSB、VVB 如何连接；Table 4 中 V1 vs V2/V3/V4 的差异如何对应 CRP 的 column prior、vertical index、offset 设计。\n\n2. **Fig. 6 + 公式 (1)-(3) + Table 4**（CRP 几何原理）\n   - 原因：CRP 是 OneBEV++ 区别于 OneBEV 的关键创新，理解 azimuth-to-column 映射才能评估其在不同环境下的泛化性。\n   - 阅读重点：公式中 φ_i 与 c_i 的计算；Fig. 6 中“径向点坍缩到同一列”的含义；Table 4 中 offset 移除后 -8.29 的剧烈下降。\n\n3. **Table 1 + Table 2**（跨域 SOTA 对比）\n   - 原因：论文核心主张是“一个模型同时覆盖室内外”，这两张表是室外/室内各自场景下的主结果。\n   - 阅读重点：OneBEV++ 相对 360BEV/OneBEV 的增益幅度；参数量与 FLOPs 的下降；注意 Table 2 中 Matterport-360 增益较小（+0.5/+0.3），需结合数据集难度解释。\n\n4. **Table 6**（拼接鲁棒性）\n   - 原因：室外全景由多相机拼接而来，鲁棒性直接关系到实际部署；该表是论文新增的深入分析之一。\n   - 阅读重点：Seam Shift/Exposure Mismatch 与 Yaw Bias/Missing View 的退化差异；OneBEV++ 与 OneBEV 的相对下降是否一致（Missing View 下 -72.6% vs -73.3%）。\n\n5. **Fig. 7 + Fig. 9**（定性可视化与收敛行为）\n   - 原因：Fig. 7 直观展示 MVTv2 采样点更集中、max-pooling 选中地面区域；Fig. 9 展示训练动态，支撑“更快收敛”的说法。\n   - 阅读重点：Fig. 7 中绿色/红色/蓝色点的对应关系；Fig. 9 中曲线交叉点与最终精度排序。\n\n## 3. 图表关系 / 实验设置图\n\n```mermaid\nflowchart TD\n    A[输入全景图] --> B[Fig.5: VMamba-T 骨干]\n    B --> C[Fig.5: MVTv2 视图变换]\n    C --> D[Fig.5: BEV 分割头]\n    C --> E[Fig.6: CRP 列映射]\n    E --> F[Table 4: CRP 消融]\n    C --> G[Table 3: MVTv2 组件消融]\n    B --> H[Table 3: 骨干对比 GroupMamba-T]\n    D --> I[Table 1/2: 室外/室内 SOTA]\n    I --> J[Table 7: 效率对比]\n    I --> K[Fig.9: 收敛曲线]\n    I --> L[Fig.7: 采样点可视化]\n    A --> M[Fig.2/3/4: 数据集构建]\n    M --> N[Table 5: FoV 消融]\n    M --> O[Table 6: 拼接鲁棒性]\n```\n\n（若 Mermaid 不可渲染，可视为 ASCII 依赖图：输入全景 → 骨干 → MVTv2 → BEV 头；CRP 与 MVTv2 分别由 Table 4/3 消融；主结果 Table 1/2 进一步由 Table 7、Fig.9、Fig.7 支撑；数据集构建 Fig.2-4 支撑 FoV 与鲁棒性实验。）\n\n## 4. 图表到结论的映射\n\n- **统一框架有效**：Fig. 1（总览） + Table 1 + Table 2（室内外 SOTA） + Table 7（效率） → 结论：OneBEV++ 以更低 FLOPs/参数量在四个数据集上取得一致精度提升。\n- **MVTv2 设计有效**：Fig. 5（架构） + Table 3（组件消融） + Fig. 7（采样可视化） → 结论：VVB 提供细粒度融合，max-pooling 提升显著特征选择，MVTv2 相对 MVT 定位更准。\n- **CRP 几何先验有效**：Fig. 6（CRP 示意） + 公式 (1)-(3) + Table 4（CRP 消融） → 结论：column prior 提供几何初始化，learned offset 是关键细化项；深度可用时 IRP 是上界（45.80 vs 22.02）。\n- **全景输入价值**：Fig. 8（FoV 设置） + Table 5（FoV 消融） → 结论：360° 输入带来 +23.89 mIoU（OneBEV++），且 OneBEV++ 在每个 FoV 下均领先。\n- **拼接鲁棒性**：Fig. 4（拼接挑战） + Table 6（鲁棒性） → 结论：外观级扰动几乎不影响性能，几何级扰动（尤其 Missing View）影响大；OneBEV++ 相对 OneBEV 保持约 +5 mIoU 优势。\n- **训练效率**：Fig. 9（收敛曲线） + Table 7（推理效率） → 结论：OneBEV++ 收敛更快、FPS 28.15，适合实时应用。"
}