VoxFromer：單目3D語義場景補全

問題：如何將單目影像提取成一個完整的3D語義體?

直覺：（1）如何利用3D空間的稀疏性，3D空間存在很多的空白空間；（2）在進行完全的3D表示之前，先進行重建可能會提供更好的視覺化結果。

解決方案：基於兩級Transformer架構。