HCRF-Flow: 利用连续高阶 CRF 和位置感知流嵌入从点云生成场景流

CVPRMay, 2021

HCRF-Flow: 利用连续高阶 CRF 和位置感知流嵌入从点云生成场景流

HCRF-Flow: Scene Flow from Point Clouds with Continuous High-order CRFs and Position-aware Flow Embedding

Ruibo Li, Guosheng Lin, Tong He, Fayao Liu, Chunhua Shen

TL;DR本文提出了一种使用高阶 CRFs 模块（Con-HCRFs）将运动一致性引入到场景流中，以强制邻近点之间的平滑性，并在每个局部区域内为所有点共享唯一的刚性运动参数的方法，以解决利用深度神经网络场景流估计中局部运动不连续和刚性不足的问题。针对这个问题，还提出了一个位置感知的流估计模块，用于增强 CRFs 的区分性 unary 项。全面的飞行三维物体组和 KITTI 数据集上表明，我们提出的框架 HCRF-flow 实现了最先进的性能并显着优于以前的方法。

Abstract

scene flow in 3d point clouds plays an important role in understanding dynamic environments. Although significant advances have been made by deep neural networks, the performance is far from satisfactory as only

3d point clouds scene flow deep neural networks rigid motion crfs

发现论文，激发创造

3D 点云场景流的分层注意力学习

本文研究了使用两个连续的三维点云来估计场景流的问题，并提出了一种新的分层神经网络架构和双重注意力方法来精细地估计和监督不同级别的场景流和 LiDAR 位置跟踪。

Oct, 2020

学习 3D 点云中的场景流

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

基于循环最近点的三维点云场景流估计

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

3D 场景流网络的关键要素

作者提出了一种新的全对全 (SOTA) 流嵌入层，具有向后可靠性验证并解决了同时考虑局部和全局与前后方向点云的三维场景流估计问题，在 FlyingThings3D 和 KITTI 场景流数据集上表现出至少 38.2％和 24.7％的 SOTA 性能。

Jul, 2022

DELFlow：大规模点云场景流量的稠密高效学习

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

高效准确的场景流连续优化方法

本文提出了一种用于从立体影像中求解密集的三维场景流问题的连续优化方法，其中将动态三维场景表示为一系列刚性运动的平面段，使用预先确定的精细超像素分割，将问题分解为光度学、几何和平滑约束，并使用 Levenberg-Marquardt 进行全局非线性优化。

Jul, 2016

让其流动：3D 流动和物体聚类的同时优化

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

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

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

从点云序列学习场景动态

提出了一个新问题 -- 顺序场景流估计（SSFE），旨在从给定序列中估计所有点云对的三维场景流。引入 SPCM-Net 架构来解决该问题，利用时间和空间的多尺度相互关系以及顺序不变的循环单元来聚合关联。通过实验验证表明，与仅使用两个帧相比，处理点云序列的递归处理结果更好。这一方法可有效地修改为顺序点云预测（SPF）的问题，并使用自监督训练和评估指标进行实验结果的评估。提供了新的基准数据集，对多帧估计和预测进行测试，这将在未来的研究中起到重要作用。

Nov, 2021