WWWAug, 2018

基于稀疏雷达的自动驾驶车辆密集光流幻像

PDF
TL;DR本文提出了一种新的方法，从自动驾驶车辆的稀疏激光雷达数据中估计密集的光流，用作图像不可靠的情况下，如恶劣天气或夜间，替代任何基于图像的光流系统的替代方案。该方法使用多尺度滤波器的三级结构来推断离散范围数据的高分辨率 2D 流，并在 lidar 和图像域中结合多个中间目标。通过使用 FlowNet2 计算的假伪基于图像的光流，我们介绍了一个包含约 20K lidar 样本的 Kitti 数据集，并使用该数据集训练网络。我们在 Kitti 数据集上演示了我们方法的有效性，并表明尽管使用低分辨率和稀疏的 lidar 测量，我们可以回归与基于图像的方法相当的密集光流图。
dense optical flowlidarmultiscale filterskitti datasetimage-based methods
发现论文，激发创造
  • 传感器引导的光流

    本文提出了一种框架，该框架可以使用外部提示来引导光流网络，从而在已知或未知领域中实现更高的准确性。实验结果表明，我们的框架在模拟和实际条件下都具有很好的效果。

    Sep, 2021

  • 从静止图像中学习光流

    本文介绍了一种从真实图片中快速生成大量准确的光流标注的框架，该框架利用单目深度估计网络构建可能的点云，通过虚拟相机运动合成新视角和对应的光流场，实现对现有数据的有效利用，并提高了视觉光流网络在真实场景中的泛化和特化性能。

    Apr, 2021

  • 半监督学习在浓雾场景下的光流估计

    本文提出了一种半监督深度学习方法，并使用真实的雾霾图像进行训练，使用了新的训练策略组合监督合成数据训练和非监督实际数据训练，在稠密的雾霾场景下，优化了光流估计，有着优越性能表现。

    Apr, 2020

  • 在伪激光雷达上进行 3D 场景流估计：填补点运动估计的差距

    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

  • 学习密集流场进行高精度跨视角摄像机定位

    通过学习地面和卫星图像中稠密的像素级光流场来计算相机姿态，本文提出了一种新的端到端方法，该方法与现有方法不同之处在于通过在像素级构建特征度量，从而实现全图监督学习从而获取地面和卫星图像的独特的几何配置和视觉外貌。经过广泛的实验，证明了与最新的方法相比，在 KITTI、Ford multi-AV、VIGOR 和 Oxford RobotCar 数据集上，我们的方法将中位数定位误差分别降低了 89%、19%、80% 和 35%。

    Sep, 2023

  • 基于稠密三维流的单目视觉里程计与稠密三维建图学习

    本文介绍了一个全新的深度学习方法来进行单目 SLAM，通过使用学习视觉里程计（L-VO）和稠密 3D 映射的神经网络，该方法能够实现同时定位与建图。

    Mar, 2018

  • 基于光流的动态稠密 RGB-D SLAM 系统 FlowFusion

    研究使用光流残差技术实现动态语义感知的 RGB-D 环境下的 SLAM，同时实现动静分割、相机运动估计和静态背景重建。实验证明该方法在动态和静态环境中都比现有的方法具有更高的精度和效率。

    Mar, 2020

  • 深度激光雷达卷积神经网络用于理解运动车辆的动态

    本文提出了一种用于理解场景中运动车辆动态的新方法，该方法通过设计卷积神经网络 (CNN)，并在训练期间引入一系列所谓的 “预文本任务”，以消除自我运动和外部车辆运动的混淆。我们在测试阶段使用 lidar 扫描的连续对来试验该系统，并在训练期间将形象信息开以提高系统推理结果精度。

    Aug, 2018

  • 真实世界点云的可伸缩场景流

    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

  • 自动驾驶场景流的激光雷达重新评估

    通过应用 ICP 运动补偿和分段刚性假设约束，结合测试时间优化方法，自监督 LiDAR 场景流估计技术可以更加有效地解决主要挑战，而不需要训练数据，提升了真实数据上的性能。

    Apr, 2023