本研究提出了一种新颖的神经网络模型 FlowNet3D，该模型旨在从点云数据中学习场景流，该模型可以通过扫描定位和运动分割等多种应用，对 Lidar 扫描等多种实际场景进行高效准确的场景流处理。

Jun, 2018

本文介绍一种新的基于运动跟踪的大规模数据集并提出适用于全点云的 FastFlow3D 架构，以更好地进行场景流预测并提高现实世界的表现。

Mar, 2021

本研究提出了一种简单且可解释的目标函数来从点云中计算场景流，既可以用于有监督的学习，又可以用于自监督学习，或者在运行时进行优化，其优于先前相关工作，且在动态环境下的运动分割和点云密集化等应用方面具有即时性。

Oct, 2020

本文研究了基于自监督学习的点云中的 3D 场景流估计和无类别运动预测，通过分片刚性运动估计生成伪场景流标签进行自监督学习，实验证明该方法在自监督场景流学习方面取得了新的最先进性能，并在 nuScenes 数据集上显着优于之前最先进的自监督方法的类别无关运动预测。

Oct, 2023

本文提出了一种基于生成的深度图的方法，通过引入像素的稠密性来实现直接从 2D 图像学习 3D 场景流，以及利用统计方法和视差一致性损失来解决噪声点的问题，从而达到了更加有效的自监督学习 3D 场景流的目的。实验证明，这种方法优于合成数据集和激光雷达点云学习的方法，在场景流估计任务中表现出更好的稳定性和准确度。

Sep, 2022

我们研究了从真实大规模原始点云序列中自监督估计 3D 场景流的问题，该问题对于轨迹预测或实例分割等各种任务至关重要。我们提出了一种新颖的聚类方法，允许组合重叠的软聚类和非重叠的刚性聚类表示。我们的方法在多个具有 LiDAR 点云的数据集上进行了评估，证明了优于自监督基线的卓越性能，达到了最新的技术水平。特别是在解决含有行人、骑自行车者和其他易受伤害道路用户的复杂动态场景中，我们的方法表现出色。我们的代码将公开提供。

Apr, 2024

本文提出一种基于递归网络的零阶方法，可用于解决对不规则点云数据进行 3D 场景流估计和点云配准两项任务，实验结果表明该方法能够超越以往方法并达到新的最佳表现。

May, 2022

通过将三维坐标储存在二维网格中，以稠密格式规范点云数据并提供有效的特征融合，从而在场景流估计问题上提供更高效和有效的方法。

Aug, 2023

SE3- Nets 是深度神经网络，旨在通过原始点云数据来建模和学习刚体运动。它学习分割影响物体部分并预测由应用力导致的运动的 SE3 变换，相较于传统的基于流的神经网络，它能够产生更加一致的运动预测结果。

Jun, 2016

通过自动标记生成大量真实 LiDAR 点云的三维场景流伪标签，采用刚体运动假设模拟自治驾驶场景中的潜在物体级刚体运动，通过更新多个锚点框的不同运动属性，获得整个场景的刚体运动分解。在多个真实数据集上测试，方法在无监督和有监督方法中表现出色，无需手动标记。在 LiDAR KITTI 数据集上，我们的方法将 EPE3D 度量值减少了 10 倍，从 0.190 m 降至 0.008 m。

Feb, 2024