CVPRDec, 2020

PV-RAFT: 点 - 点云场景流估计的点 - 体素相关场

PDF
TL;DR本文提出一种基于 PV- RAFT 的点云场景流估计方法，采用点 - 体相互关系域、多尺度体素方法来获取点对的依赖关系，并在 FlyingThings3D 和 KITTI Scene Flow 2015 数据集中进行了实验证明其显著优于现有技术。
point cloudsscene flow estimationcorrelation fieldspv-raftmulti-scale voxelization
发现论文，激发创造
  • RAFT: 光流的循环全对场变换

    RAFT 是一个新的深度网络结构，用于光流问题，它提取每个像素的特征，为所有像素建立多尺度 4D 相关性体，并通过一个循环单元，通过对相关性体的查找，迭代更新光流场。RAFT 在 KITTI 和 Sintel 数据集上实现了最新颖的性能，并且具有高效率的推断时间、训练速度和参数计数。

    Mar, 2020

  • PRAFlow_RVC：2020 年稳健视觉挑战赛中的金字塔循环全对场变换用于光流估计

    使用基于金字塔结构的神经网络模型 PRAFlow 建立在 RAFT 模型上，用于进行光流估计，其在多个数据集和排行榜上均表现良好，并在 ECCV 2020 比赛中获得光流任务的第二名。

    Sep, 2020

  • PV-RCNN: 用于 3D 物体检测的点 - 体素特征集抽象

    提出了一种名为 PointVoxel-RCNN（PV-RCNN）的 3D 物体检测框架，可以使用点云实现准确的物体检测，使用了 3D voxel 卷积神经网络和基于 PointNet 的集合抽象相结合的方法深度学习了更具有区分性的点云特征，并使用 RoI-grid 池化方法编码具有可比性的特征从而实现了更准确的 3D 检测效果。

    Dec, 2019

  • E-RAFT: 来自事件相机的稠密光流

    本文提出了一种针对事件相机的全新稠密光流计算方法，通过引入特征相关性与顺序处理的设计思路，相比于现有方案在数据集 MVSEC 上将终点误差降低了 23％，并提出一种新的数据集，更能反映现实场景中物体的运动情况，最终结果的终点误差比之前的方案减少了 66%。

    Aug, 2021

  • RAFT-3D: 使用刚体运动嵌入实现场景流

    本文提出了一种基于 RAFT 模型的新型深度 architecture，名为 RAFT-3D，其中包含刚性运动嵌入和 Dense-SE3 可区分层，以提高场景流的像素级三维运动估计性能，并在 FlyingThings3D 和 KITTI 数据集上取得了最先进的性能。

    Dec, 2020

  • 重新思考用于高效光流的 RAFT

    该论文提出了一种基于 RAFT 框架的 Attention-based Feature Localization (AFL) 方法，通过引入注意力机制处理全局特征提取和解决重复模式问题，进而提出了 Amorphous Lookup Operator (ALO) 来提高收敛速度和处理大位移的能力。结果表明，该方法在 Sintel 数据集上提高了 10%，在 KITTI 数据集上提高了 5%，且仅速度降低了 33%，内存使用仅增加了 13%。

    Jan, 2024

  • PV-RCNN++：具有局部向量表示的点 - 体素特征集抽象 用于 3D 目标检测

    本文提出了一种针对点云的三维目标检测新方法 PV-RCNN，通过点和体素两个方面来深度整合特征学习，采用体素到关键点场景编码和关键点到网格 RoI 特征抽象两个创新步骤，更高效准确地实现三维目标检测。PV-RCNN++ 框架通过部分区域划分建议 - 中心采样和 VectorPool 池化等两种策略，在更低资源消耗下实现了更优秀的性能，相比 PV-RCNN 在保持准确率的同时提高了 3 倍速度，并在大规模 Waymo 开放数据集上取得了最先进的三维检测性能。

    Jan, 2021

  • PointNeRF++: 多尺度、基于点的神经辐射场

    使用多尺度稀疏体素网格聚合点云，平均多个尺度以克服点云稀疏性，在全局尺度加入体素表示模拟无点区域，并在 NeRF 合成、ScanNet 和 KITTI-360 数据集上验证方法，显著优于现有技术。

    Dec, 2023

  • 基于概率密度函数对齐的自监督稳健场景流估计

    本文提出了一种新的自监督场景流估计方法，利用高斯混合模型将离散点云表示为连续的概率密度函数，并使用经典 Cauchy-Schwarz 散度的闭合式表达式从概率密度函数的对齐中恢复运动，通过建立软性隐式点对应关系生成更稳健和准确的场景流，实验结果表明该方法在现实环境中的 FlyingThings3D 和 KITTI 数据集上的性能优于现有方法，甚至超过了一些有监督的方法。

    Mar, 2022

  • SEA-RAFT：用于光流的简单高效准确的 RAFT 算法

    SEA-RAFT 是一种更简单、高效、准确的用于光流的 RAFT 算法，通过采用混合拉普拉斯损失函数进行训练，直接回归初始光流以提高收敛速度，并引入刚性运动预训练以提升泛化性能。在 Spring 基准测试中，SEA-RAFT 以 3.69 的端点错误（EPE）和 0.36 的像素异常率（1px）取得了最先进的准确性，相较于最佳发布结果减少了 22.9% 和 17.8% 的误差。此外，SEA-RAFT 实现了在 KITTI 和 Spring 数据集上最好的跨数据集泛化性能。尽管保持了竞争性能，但 SEA-RAFT 至少比现有方法快 2.3 倍。代码可以从此 https URL 进行公开获取。

    May, 2024