AlignFusionNet: Efficient Cross-Modal Alignment and Fusion for 3D Semantic Occupancy Prediction
IEEE Access · 2025 · 13 · 125003-125015
DOI: 10.1109/access.2025.3589858 ↗Kurz gefasst
Fachartikel in der Zeitschrift IEEE Access, 2025. Verfasst von Ziyi Xu und 4 weiteren Autor:innen. Die Arbeit wurde bisher 39-mal zitiert (Crossref) und nennt 79 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-ND 4.0). Gefördert von: National Natural Science Foundation of China, Shenzhen Science and Technology Program.
Abstract (Originalsprache)
Kein Abstract verfügbar.
Förderung
- National Natural Science Foundation of China
- Shenzhen Science and Technology Program
Zitieren
APA
Xu, Z., Qi, L., Du, H., Yang, J., & Chen, Z. (2025). AlignFusionNet: Efficient Cross-Modal Alignment and Fusion for 3D Semantic Occupancy Prediction. IEEE Access, 13, 125003-125015. https://doi.org/10.1109/access.2025.3589858
Vancouver
Xu Z, Qi L, Du H, Yang J, Chen Z. AlignFusionNet: Efficient Cross-Modal Alignment and Fusion for 3D Semantic Occupancy Prediction. IEEE Access. 2025;13:125003-125015. doi:10.1109/access.2025.3589858
BibTeX
@article{Xu2025,
author = {Xu, Ziyi and Qi, Legan and Du, Hongzhou and Yang, Jiaqi and Chen, Zhenglin},
title = {AlignFusionNet: Efficient Cross-Modal Alignment and Fusion for 3D Semantic Occupancy Prediction},
journal = {IEEE Access},
year = {2025},
volume = {13},
pages = {125003--125015},
doi = {10.1109/access.2025.3589858}
}
EUVIMED