问题：如何将单目图像提取成一个完整的3D语义体?
直觉：（1）如何利用3D空间的稀疏性，3D空间存在很多的空白空间；（2）在进行完全的3D表示之前，先进行重建可能会提供更好的可视化结果。
解决方案：基于两级Transformer架构。
