Spatial Lifting：面向密集预测的空间提升方法

Spatial Lifting（SL）是一种将 2D 图像等标准输入提升到更高维空间、再用 3D U-Net 等网络处理密集预测任务的新方法。相比传统方法，它能在基准任务上取得良好性能，同时降低推理成本并大幅减少模型参数量。该方法沿提升维度产生内在结构，可用于训练中的密集监督，并在测试时通过单次前向完成基于自一致性的质量与不确定性估计。