Sparse4D：稀疏时空融合的多视角 3D 检测

它要解决什么问题

dense BEV 计算开销大。能不能用稀疏的候选目标 query 达到同等检测效果、但更省算力。

机制拆解

1. 用 sparse object query 表示候选 3D 目标，而不是铺满整个 BEV 空间
2. deformable 4D aggregation 聚合多视角、多时刻特征
3. 利用时序信息改善动态目标检测，可扩展到 3D tracking

量产判断

读完应该能问

• 我们的感知方案是 dense 还是 sparse？算力预算里感知占多少？

回到术语

• 鸟瞰图表征——把多摄像头视角融合到统一的鸟瞰空间，降低对高精地图的依赖。
• 两段式——第一段输出结构化世界（目标、车道线、交通灯），第二段基于它生成轨迹——用信息压缩换可解释和可控。