一句话结论
CVPR 2026以预训练几何/语义教师在测试时增量创建高斯并体素化，输出驾驶场景语义占据；相机版在Occ3D mIoU提高却慢于SelfOcc推断，LiDAR版输入额外传感器需独立比较（主文pp.35693–35698 Tables1–5/Fig.1）。提供清单旧称TT-GaussOcc与此唯一正式条目合并。
输入、方法和边界
已知内外参的六环视RGB；LiDAR版本另需点云。VGGT/MapAnything给深度，OpenSeeD/REX-Omni等给开放词汇语义，测试时以颜色一致性微调带时间和协方差的高斯，跨帧继承静态图元，再按用户设定体素尺寸求语义概率（主文§3 Eq.1–6）。LiDAR版实例掩码+DBSCAN+ICP迁移运动图元；Camera版RAFT减去相机自运动光流后做动态掩码，只将动态图元排除静态积累（补充§A.3–A.4）。VGGT的尺度用三相机关键点在GT标定相机下三角化，预训练教师与相机不是免费输入（补充§A.1）。输出是语义occupancy及free space，和GaussianDWM的语言QA/生成指标有不同终点。
实验、消融与对照
Occ3D-nuScenes 600训练/150验证scene，0.4m体素；nuCraft 0.2m，主文§4.1。主文p.35695 Table1：Camera mIoU16.70 vs SelfOcc10.54；LiDAR27.41，但密集GT训练的CTF-Occ28.53，且LiDAR与Camera不可作同传感器算法比较。p.35696 Table2 nuCraft Camera5.95/LiDAR10.92 vs SelfOcc2.22；迁移分辨率和传感器差异均需保留。Table3同OpenSeeD mIoU SelfOcc10.5、Camera13.4、LiDAR23.6，RayIoU@4 12.0/15.7/25.8。Table4更换语义/深度教师，Camera从OpenSeeD+VGGT13.4到REX-Omni+MapAnything16.7，收益包含更强教师。p.35697 Fig.5仅10%验证子集：Camera直接撒点4.2→协方差8.5→静态积累14.1→追踪14.1（动态类局部回升）；LiDAR7.3→18.3→23.5→25.6，不能把消融子集数字当完整主榜。
成本、弱点和可复核任务
p.35698 Table5在nuCraft Camera约296.9万个高斯/峰9.9GB，LiDAR约78.7万/峰5.6GB；同GPU RTX6000 Ada测试。Fig.1 Camera0.7 FPS、LiDAR2.3 FPS、SelfOcc1.1 FPS。补充p.3 Table1雨夜仅五场平均SelfOcc10.1、Camera13.1、LiDAR17.6 mIoU；Camera对远处/遮挡深度、LiDAR对稀疏小物体受限（主文p.35697）。训练前教师大量预训练不应计作方法自身0 GPU-hour总成本；测试时语义分割和深度合计耗时高（p.35698 Fig.6）。仓库含训练和环境代码，根目录无LICENSE，复用授权待核；没有GPU复现。详审raw/ingest/2026-09-25-tt-occ/analysis.md；三维高斯泼溅：表示、优化、几何与动态任务；3D Gaussian Splatting：从稀疏点到实时新视角渲染。