Sparse-Aware Vector Quantization for Bandwidth-Efficient Collaborative 3D Semantic Occupancy Prediction¶

会议: ECCV 2026
论文: ECCV 2026 Poster
代码: https://github.com/cheerfulli/VQSOP
领域: 自动驾驶
关键词: 协同感知 / 3D 语义占用预测 / 矢量量化 / 带宽压缩 / 场景稀疏性

一句话总结¶

VQSOP 让多车在 V2X 上只交换「码本索引」而不交换稠密 3D 特征：先用置信度阈值筛出真正含信息的体素，再用一本跨车共享的可学习码本把选中的体素特征最近邻量化成离散索引，接收端查表重建后与自车特征做注意力融合，最后经「局部卷积 + 空洞卷积」双分支自适应细化输出占用预测，在 Semantic-OPV2V 上以 0.013 MB/帧的通信量取得 73.79% IoU / 41.54% mIoU。

研究背景与动机¶

自动驾驶的规划与控制直接依赖可靠的环境感知，但单车的传感器视野受限、遮挡严重，仅靠自身观测很难获得完整的场景理解。借助 V2X 通信的协同感知让多台车交换互补信息、扩展有效感知范围，从而在复杂动态交通环境中提升鲁棒性。不过过去协同感知的研究主要落在 3D 目标检测和 BEV 语义分割上，这两类任务都主动丢掉了 3D 语义细节——BEV 特征在高度方向压缩，不规则形状或严重遮挡的物体很难被刻画；3D 语义占用预测以体素为单位同时给出几何与语义，能提供更完整的场景理解，因此近年受到关注，但在协同设定下几乎无人探索（CoHFF 是早期尝试），而体素表示的高维度恰恰让它在车联网带宽下最难落地。

核心矛盾在于：协同感知天然要在感知增益与通信开销之间取舍，而对占用预测来说这个矛盾被放大了一档——3D 体素特征的信息量远超 2D BEV，稠密传输在实际带宽下根本不可行。CoHFF 用 TPV 三视角表示并只传正交平面特征，代价是几何信息不可避免的丢失，还必须依赖显式深度监督来维持空间一致性；随后想用 3D 高斯保留完整几何的工作则把精度直接绑在高斯数量上，性能与带宽被硬性耦合——原文数据显示，GSFusion 把高斯从 25600 减到 6400 让通信量从 1.07 MB 降到 0.27 MB，mIoU 随即从 37.44% 掉到 36.02%。也就是说，既有方案要么牺牲空间保真度换带宽，要么牺牲带宽换保真度，没有真正解开这个耦合。

本文的切入角度是：驾驶场景本身高度稀疏，绝大多数体素是空的，所以「该传什么」其实是一个可以由数据自己回答的问题——不必压缩稠密的连续值，而可以只传那些真正含信息的区域，并且把它们离散化。核心 idea：对中间 3D 体素特征做稀疏感知的矢量量化——置信度阈值挑出关键体素，共享码本把这些体素特征最近邻映射为离散索引，车与车之间只传索引（每索引仅 \(\log_2 K\) 比特），接收端查同一本码本重建后再融合并用双分支空间细化补回量化与聚合中损失的结构细节。

方法详解¶

整体框架¶

每个智能体先用共享主干处理多视角 RGB 图像与元数据，把它们提升成连续的 3D 占用特征体 \(V_j \in \mathbb{R}^{X \times Y \times Z \times C}\)（实验中体素网格为 \(100 \times 100 \times 8\)）。如果把这个稠密体直接广播出去，带宽立刻成为瓶颈。VQSOP 的做法是在发送前先过 Sparse-Aware Vector Quantization（SAVQ）机制：选择器先挑出真正含信息的空间区域，压缩器再把选中的连续特征映射成共享码本中的离散索引，V2X 上只走这串索引。接收方拿到邻居的索引后查同一本可学习码本重建出对方视角的 3D 特征体，与自车本地特征做空间聚合，得到协同表示。融合后的体素特征随后进入 Dual-Branch Adaptive Spatial Refinement（ASR）模块：局部分支补细粒度几何细节，上下文分支补大范围语义依赖，两路输出按逐体素的自适应权重相加并加残差，最后交给任务预测头输出 3D 语义占用。

整条链路可以概括为「决定传多少 → 决定每位传什么 → 决定收到后怎么补回结构」三段，三段各自对应一个关键设计，缺一段都会让压缩带来的信息损失直接落到最终精度上。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["多视角图像 + 元数据"] --> B["共享主干<br/>提升为稠密 3D 特征体"]
    B --> C["稀疏感知选择器<br/>置信度阈值筛出关键体素"]
    C --> D["码本压缩器<br/>最近邻查表得离散索引"]
    D -->|"仅传 log2 K 位索引"| E["消息解压与协同融合<br/>查表重建 + 空间聚合"]
    E --> F["双分支自适应空间细化<br/>局部细节 + 上下文语义"]
    F --> G["占用预测头"]

关键设计¶

1. 稀疏感知选择器：按体素置信度裁剪传输预算

协同感知里 3D 体素特征所需的带宽远高于 2D BEV 表示，稠密传输是实车部署的头号瓶颈；但驾驶场景天然高度稀疏，空体素占了绝大多数，直接对全体素做量化等于把有限的索引预算平摊到大量零特征上——既浪费带宽，又让码本被无信息的零向量主导。选择器用一个小型卷积模块在稠密特征体上预测逐体素的空间置信图 \(S_j \in [0,1]^{X \times Y \times Z}\)，再用预先设定的置信度阈值 \(\tau\) 二值化成稀疏掩码：

\[M_j(x,y,z) = \mathbb{1}\left[\, S_j(x,y,z) > \tau \,\right]\]

掩码沿通道维广播后与原特征体逐元素相乘，得到只保留关键区域的特征图 \(F_j = V_j \odot M_j\)，此后的量化与传输严格限制在这些几何上有结构、语义上有内容的区域上。置信图本身不是手工设计的，而是由一项置信度损失（见训练策略）监督学出来的。这一步的关键在于把「场景稀疏」这个先验从一句观察变成了一个可控的旋钮：阈值 \(\tau\) 直接决定有多少体素进入传输队列，因此它同时是带宽的控制器和精度的调节器——消融显示 \(\tau\) 从 0.6 升到 0.8 时带宽下降而精度反而上升，说明适度过滤掉的是任务无关的背景噪声。

2. 码本压缩器：把连续特征换成离散索引

选中的体素特征仍是浮点向量，逐位传仍不划算。压缩器维护一本可学习码本 \(C = \{c_1, c_2, \dots, c_K\}\)（\(K\) 为字典大小），对掩码命中的每个有效位置做一次最近邻查表，取其最近原型码的下标作为该体素的传输内容：

\[I_j(x,y,z) = \arg\min_{k \in \{1,\dots,K\}} \left\| F_j(x,y,z) - c_k \right\|_2\]

一个索引只占 \(\log_2 K\) 比特（\(K=256\) 时正好 1 字节），相对完整的高维浮点特征向量是数量级上的压缩；空区域不需要任何比特，因为它们根本不在传输集合里。码本不是外部给定的，而是与整个网络联合训练、以最小化量化前后的重建误差为目标学出的一批「原型特征」——把每个有效位置映射回对应原型得到 \(\hat{F}_j(x,y,z) = c_{I_j(x,y,z)}\)，未选中的位置保持零，优化目标为：

\[\mathcal{L}_{vq} = \sum_{j} \sum_{(x,y,z)} \left\| F_j(x,y,z) - \hat{F}_j(x,y,z) \right\|_2^2\]

⚠️ 该式在全文缓存中的 LaTeX 已被破坏，此处按上下文（原文表述为 "minimizing the reconstruction error"）复原为标准 VQ 重建损失，具体形式（范数类型、是否含 stop-gradient/codebook 更新项）以原文为准。

与 WhisperNet 这类在空间与通道维度上做选择、但连续特征本身仍需比特量化或熵编码的方案相比，这里的区别是把「压缩」从「少传几个浮点数」换成了「传一个查表下标」：压缩比由字典大小直接决定、可按 \(\log_2 K\) 精确估算，且码本跨智能体共享，接收端不需要任何额外先验就能重建——这是把带宽从「精度决定」变成「字典大小决定」的关键一步。

3. 消息解压与协同融合：查表重建再空间聚合

接收端对邻居 \(j\) 传来的整数索引做一次码本查表，就恢复出量化的特征体 \(\hat{F}_j \in \mathbb{R}^{X \times Y \times Z \times C}\)；传输时被裁掉的背景位置补零，以保持张量结构一致、便于后续空间对齐。随后自车把自己的稠密特征 \(V_i\) 与所有重建出的邻居特征一起交给融合算子 \(\Psi_{fuse}(\cdot)\)（原文描述为一个基于注意力的空间聚合器）：

\[\hat{F}_{fused} = \Psi_{fuse}\left( \left\{ V_i \right\} \cup \left\{ \hat{F}_j \right\}_{j \in \Omega_i} \right)\]

这里有一个容易被忽略但很重要的不对称设计：自车送入融合的是未量化的本地特征 \(V_i\)，而邻居特征 \(\hat{F}_j\) 是量化重建的结果——量化带来的信息损失只发生在跨车传输这一侧，自车自身的感知精度不因压缩而退化。这也解释了后面消融里一个乍看反常的现象：单独打开 SAVQ 会让 mIoU 从 40.72% 掉到 40.11%，因为此时邻居特征已被量化，而补回这层损失正是下一个设计的职责。

4. 双分支自适应空间细化：把量化与融合抹掉的结构补回来

多车特征在聚合过程中会让细粒度几何边界变糊，而标准卷积的感受野又抓不住长距离上下文，两者都直接伤害体素级的占用预测——前一节提到的那点量化损失也会在这里被放大。ASR 用并行的双分支分别补这两件事：局部分支堆叠小感受野的标准 3D 卷积，恢复局部空间连续性与边界锐度，输出 \(F_{local}\)；上下文分支用 3D 空洞卷积在不牺牲分辨率的前提下扩大感受野，聚合大范围的语义依赖，输出 \(F_{context}\)。

两路特征的融合不是朴素相加，而是逐体素自适应加权。把 \(F_{local}\) 与 \(F_{context}\) 在通道维拼接，过一个 \(1\times1\times1\) 卷积后用 Softmax 生成两张互补的空间权重图 \(W_{local}, W_{context} \in \mathbb{R}^{X \times Y \times Z \times 1}\)，它们在任意空间位置上的和恒等于 1，可以被理解为「该体素对边界细节和上下文补全各自的需求强度」：

\[\left[ W_{local}, W_{context} \right] = \mathrm{Softmax}\left( \mathrm{Conv}_{1\times1\times1}\left( F_{local} \,\|\, F_{context} \right) \right)\]

\[F_{adapt} = W_{local} \odot F_{local} + W_{context} \odot F_{context}\]

最后过一层卷积做通道对齐，并以残差方式加回初始输入：\(F_{refined} = F_{in} + \mathrm{Conv}(F_{adapt})\)，保证优化稳定。让每个体素自己回答「我更需要锐利的边界还是更完整的上下文」是这一步的真正价值所在——薄结构（护栏、杆、桥梁）落在哪里、哪些区域因遮挡需要语义补全，本来就随位置变化，固定等权融合会把这种差异抹平，消融中把自适应加权换成固定等权会掉 0.51 个 mIoU 点（41.54% → 41.03%）。

一个完整示例¶

取一帧典型场景走一遍，具体数字如下（感知范围 \(40 \times 40 \times 3.2\) m 离散为 \(100 \times 100 \times 8\)）：

主干输出稠密 3D 特征体，共 \(100 \times 100 \times 8 = 8\) 万个体素，其中绝大多数是空的。若整块广播，消融基线的实测通信量是 7.32 MB/帧。
选择器给出逐体素置信度，阈值 \(\tau = 0.8\) 时只有一部分体素被判为「含信息」，其余被掩码置零、不参与量化。
保留多少？按原文给出的 0.013 MB 反推：若索引为 8 位（即 \(K = 256\)），0.013 MB ≈ 13000 个索引，也就是约 1.3 万个位置、约占总体素的 16%（⚠️ 这是按通信量与 \(\log_2 K\) 反推的数量级，原文未直接列出保留率）。同样地，\(\tau = 0.6\) 对应 0.018 MB ≈ 1.8 万个位置，\(\tau = 0.9\) 对应 0.012 MB ≈ 1.2 万个位置。
这 1.3 万个位置各自查一次共享码本，得到 1 字节的索引，整车向外发出的就是这串索引——而不是 1.3 万条浮点特征向量。
邻居收到索引后查同一本码本还原特征体，被裁掉的位置补零；自车把未量化的本地特征与所有邻居重建特征一起做注意力聚合。
聚合结果进入 ASR：局部分支补边界细节、上下文分支补大范围语义，两者按逐体素软权重相加、加残差，最后输出 3D 语义占用。

整条链路的净效果：单次交换从 7.32 MB 压到 0.013 MB（约 563 倍），而 mIoU 反而从 40.72% 升到 41.54%。

损失函数 / 训练策略¶

总损失由四项构成：体素级交叉熵损失（语义分类）、scene-class affinity loss（来自 MonoScene，约束场景结构一致性）、置信度损失（监督选择器的空间掩码学习）、以及 SAVQ 的量化损失 \(\mathcal{L}_{vq}\)。优化用 AdamW，权重衰减 0.01；学习率在前 500 次迭代线性 warmup 到 \(2 \times 10^{-4}\)，之后按余弦退火衰减；整个框架训练 60 个 epoch，batch size 为 1，单张 NVIDIA RTX 4090 完成。

实验关键数据¶

主实验¶

数据集为 Semantic-OPV2V（CoHFF 在 OPV2V 基础上扩充的协同语义占用版本：OPV2V 由 OpenCDA + CARLA 联合仿真，2 至 7 台联网车各配一个 3D LiDAR 与四路环视相机；Semantic-OPV2V 重放原始仿真并额外采集语义 LiDAR 扫描，通过聚合多智能体真值构造协同语义占用监督）。评价指标为 IoU、mIoU，以及把预测体素沿高度投影到 BEV 平面后计算的 2D 语义 IoU。

设定	方法	IoU (%)	mIoU (%)
单智能体	CoHFF	38.52	24.85
单智能体	GaussianFormer	67.76	29.20
单智能体	本文	70.40	33.61
协同感知	CoHFF	50.46	34.16
协同感知	GSFusion	72.87	37.44
协同感知	本文	73.79	41.54

单智能体设定下，本文比最强基线 GaussianFormer 高 4.41% mIoU 与 2.64% IoU；协同设定下比次优的 GSFusion 高 4.10% mIoU 与 0.92% IoU。逐类别看，本文在全部 12 个语义类别上都取得最优或次优；提升最明显的是小而薄、几何复杂的类别——协同设定下 Guard rail 的 IoU 比次优结果高 21.70 个绝对点（54.20 vs 32.50），Bridge 高 17.02 个点（21.37 vs 4.35）。这两类恰恰是最容易被 BEV 高度压缩和特征聚合模糊掉的，原文据此认为 ASR 对细粒度结构的建模起了主要作用。

通信量对比是本文的核心卖点。注意 GSFusion 的对照非常有说服力：它把高斯数从 25600 降到 6400 时通信量从 1.07 MB 降到 0.27 MB，但 mIoU 也从 37.44% 掉到 36.02%——这正是「性能被带宽硬性耦合」的直接证据。

方法	通信量 CV (MB) ↓	IoU (%) ↑	mIoU (%) ↑
CoHFF	0.78	50.46	34.16
GSFusion（25600 高斯）	1.07	72.87	37.44
GSFusion（6400 高斯）	0.27	72.42	36.02
本文	0.013	73.79	41.54

本文的 0.013 MB 比 CoHFF 小 60 倍、比高分辨率设置的 GSFusion 小 82 倍，同时取得了三者中最高的 IoU 与 mIoU——带宽与精度之间的耦合被打破，而不是在曲线上换了个位置。

BEV 2D 语义分割（自上而下投影）上结论一致：2 车设定下本文取得 73.23% Vehicle / 85.05% Road，比最强基线（GSFusion 的 70.25 / 82.69）高 2.98 / 2.36 个点；扩展到最多 7 车时进一步提升到 77.48% / 87.04%（GSFusion 为 75.30 / 84.96）。说明学到的空间表示在换成 BEV 任务后依然稳健，而不是只对 3D 头过拟合。

消融实验¶

核心组件消融（baseline 为关闭 SAVQ 与 ASR 的稠密传输版本）：

SAVQ	ASR	CV (MB) ↓	mIoU (%) ↑	IoU (%) ↑
		7.32	40.72	72.48
✓		0.013	40.11	72.06
	✓	7.32	41.26	72.88
✓	✓	0.013	41.54	73.79

置信度阈值 \(\tau\) 的敏感性（SAVQ 开启）：

\(\tau\)	CV (MB) ↓	mIoU (%) ↑	IoU (%) ↑
0.6	0.018	41.47	73.57
0.7	0.015	41.52	73.66
0.8	0.013	41.54	73.79
0.9	0.012	41.03	72.24

ASR 内部组件的细粒度消融（SAVQ 全程开启）：

局部分支	上下文分支	自适应加权	mIoU (%) ↑	IoU (%) ↑
			40.11	72.06
✓			40.23	72.56
	✓		40.85	72.68
✓	✓		41.03	73.14
✓	✓	✓	41.54	73.79

关键发现¶

真正的主角是 SAVQ 的压缩率，而不是精度增量。 单看 SAVQ：通信量从 7.32 MB 直降到 0.013 MB（约 563 倍），mIoU 仅从 40.72% 微降到 40.11%（-0.61）。单看 ASR：mIoU 涨到 41.26%，但通信量原封不动仍是 7.32 MB。两者合起来才同时拿到 0.013 MB 与 41.54%——比自家未压缩基线既更省又更准（+0.82 mIoU、-563 倍带宽），这才是本文最有分量的实验结果。
阈值 \(\tau\) 存在一个非单调的最优点。 \(\tau\) 从 0.6 升到 0.8，通信量从 0.018 MB 单调降到 0.013 MB，而 mIoU 却同步从 41.47% 涨到 41.54%——过滤掉背景体素反而提升了精度，原文解释是被滤掉的正是任务无关的背景噪声，它们此前会干扰传输特征。但继续升到 0.9，通信量只再省 0.001 MB，mIoU 却掉到 41.03%、IoU 掉到 72.24%，说明阈值过严会误删必要的前景结构。\(\tau = 0.8\) 被选为默认值，本质是在「去噪收益」与「误删代价」之间找一个不对称的拐点。
ASR 两个分支的分工被消融验证：上下文分支的单独贡献明显大于局部分支（40.85 vs 40.23 mIoU，均在无 ASR 的 40.11 之上），说明对大范围语义上下文的需求比对局部细节更迫切；但两者叠加（41.03）又高于任何单分支，且叠加自适应加权后再涨到 41.54（+0.51），证明双分支的互补性只有在逐体素加权下才能被充分利用。
类别层面的证据支持 ASR 的作用机制。 提升集中在 Guard rail、Bridge、Pole、Fence 这类薄或几何复杂的结构上，而不是 Terrain、Road 这类大面积平坦区域——后者本就容易被大感受野的上下文分支处理好。这与「ASR 补的是聚合过程中被模糊掉的细粒度边界」这一动机自洽。
定性结果与动机一致。 原文图 5 的对比显示，去掉 ASR 的版本在路面区域出现明显空洞、会漏掉杆与栅栏等细小结构，且这些差异在远处和几何复杂区域更显著；加上 ASR 后预测与真值在结构连续性上更接近。

亮点与洞察¶

把「传什么特征」换成「传哪个原型」，从根上绕开了带宽-精度耦合。 高斯类方法传的是数量可变的几何基元，精度必然随数量变化；索引类方法传的是定长下标的集合，压缩比由字典大小 \(\log_2 K\) 精确决定，精度只与「选了哪些体素」有关。这个视角转换是把 trade-off 从一条连续曲线上「选点」变成「换坐标系」。
稀疏性不是用来加速的，而是用来当带宽旋钮的。 稀疏卷积/稀疏查询在占用预测里早已常见（SGN、SparseOcc 等），但它们把稀疏性当作计算效率的来源；本文把它当作通信策略的先验——阈值 \(\tau\) 同时是「传多少」的控制器。这个思路可以迁移到任何「场景天然稀疏 + 需要跨端传中间表示」的场景，例如车路协同、多机器人 SLAM、联邦式感知。
量化损失只发生在跨车一侧，自车保留未量化特征。 这是一个很省事但常被忽略的工程判断：既然压缩的动机只来自传输，就没有理由让自车的特征也过一遍量化。代价为零、收益明确。
\(\tau\) 的非单调曲线说明「传输前的过滤」本身就是一种去噪。 这一点超出常规认知——通常认为压缩必然掉点，这里在 0.6→0.8 的区间里压缩与精度同向变化。它提示：在带宽受限的协同系统里，先想清楚「什么不该传」，可能比想清楚「怎么把要传的压得更小」更划算。
可迁移的「共享码本」范式。 码本是任务驱动、跨车联合训练的，因此它编码的是「驾驶场景中常见的原型特征分布」。这套结构可以直接搬到多模态/多视角协同的其他中间融合任务上，替代熵编码或无学习的手工量化。

局限与展望¶

位置信息如何传递没有交代清楚。 全文只说明「广播离散索引 \(I_j\)」，带宽也按每索引 \(\log_2 K\) 比特计算；但接收端要重建稀疏特征体，除了「值」还需要知道「在哪些位置」。若位置也要显式传输，按 8 万格中 1.3 万个位置计，每个位置约需 16-17 比特，开销会超过索引本身，0.013 MB 这个数字就站不住。可能的解释是发送端另传了低精度置信图、或位置通过掩码隐含编码，但原文没有说明（⚠️ 以原文为准，这是一个需要作者补充的关键细节）。
验证范围偏窄。 只在 Semantic-OPV2V 一个仿真数据集上评测，没有 V2XSet、DAIR-V2X 或任何真实路测数据；仿真中 2-7 车的场景复杂度、通信模型（是否建模丢包、延迟、带宽抖动）也未说明。真实 V2X 的丢包与异步会直接影响「只传索引」这类对错误零容忍的方案的鲁棒性——索引错一位就会重建出完全不同的原型特征。
效率指标缺失。 未报告参数量、训练开销、推理延迟、编解码耗时。而「带宽降低 82 倍」并不自动等于「端到端实时性更好」——额外引入的码本查表、掩码计算、双分支卷积都会增加车端算力负担，尤其 ASR 的双分支空洞卷积是在完整的 \(100 \times 100 \times 8\) 体素上做的。
与通信高效方法的横向对比不完整。 通信量表只对比了 CoHFF 与 GSFusion，没有和 Where2comm、CoBEVT、WhisperNet 这些同样主打通信效率的协同感知方法在同一设定下比带宽与精度；而 CoBEVT 只在 BEV 分割表里出现。缺少这类对比，「state-of-the-art」的论断在通信效率这一维度上不够稳固。
码本设计的自由度没被探索。 字典大小 \(K\) 未做敏感性分析（只以 \(K=256\) 举例说明比特数），码本坍缩（部分原型极少被选中、利用率严重不均）这一 VQ 的经典问题也完全没有讨论。理论上 \(K\) 是控制通信量的另一个旋钮，其与阈值 \(\tau\) 的联合调节应该存在更优的工作点。
比较口径需要注意。 表 4 中未压缩基线的 mIoU 已达 40.72%，高于已发表方法 GSFusion 的 37.44%——说明作者自建的稠密传输基线训练得比公开方法更强，因此表 1 中「超过 SOTA 4.10 mIoU」与表 4 中「自家基线 40.72」之间存在口径差异，跨表数字不宜直接相加或互相解释（⚠️ 建议以原文设定为准）。
可改进方向：明确位置编码方案并把它计入带宽预算（例如对掩码做游程编码，或用固定稀疏模式）；补 V2XSet / 真实数据集与丢包鲁棒性实验；报告端到端延迟与车端算力占用；对 \(K\) 做敏感性分析并引入码本利用率正则（如 entropy loss、EMA 码本更新）；把索引传输的容错性纳入设计（例如对索引做分组校验或对高频原型分配更短码字）。

评分¶

新颖性: ⭐⭐⭐⭐ 把矢量量化用于协同 3D 占用预测的跨车中间特征传输是个新组合，把带宽-精度耦合真正解开了；但选择器（置信图阈值）的思路与 Where2comm 同源，码本压缩是 VQ-VAE 系列的成熟技术，属于巧妙组合而非全新机制。
实验充分度: ⭐⭐⭐ 主结果、通信量、三级消融（组件/阈值/ASR 内部）做得扎实，类别级分析和定性对比也到位；但只在 Semantic-OPV2V 一个仿真数据集上验证，缺 V2XSet/真实数据、缺与通信高效方法的同设定对比、缺延迟与算力报告。
写作质量: ⭐⭐⭐⭐ 动机链条清楚（TPV 丢几何 → 高斯耦合带宽 → 稀疏性给出路），三个设计点的痛点-机制-效果讲得连贯；扣分在于位置信息如何传递这一关键实现细节全文未说明，而它直接决定 0.013 MB 的可信度。
价值: ⭐⭐⭐⭐ 563 倍的自家带宽压缩且精度不降、82 倍于最强基线的带宽优势，对车联网协同感知的实际部署很有参考价值；若能补齐位置编码与真实数据验证，这套「稀疏选择 + 索引传输」的思路有成为协同感知标准压缩范式的潜力。