Nov, 2021

神经场景流先验

PDF
TL;DR本文重点研究基于运行时优化和强正则化的场景流问题，创新性地引入了神经场景流先验，其使用神经网络体系结构作为一种新类型的隐式正则化器，该方法可以用于无需脱机数据集而部署在新环境的、包括车载应用的自主驾驶型设备的场景。通过对激光雷达点云序列的积累来展示该神经先验的连续场景流表示方法，并达到了竞争性甚至更好的场景流基准结果。
neural scene flow priorruntime optimizationregularizationmultilayer perceptronsdense motion information
发现论文，激发创造
  • OptFlow：无需监督的快速基于优化的场景流估计

    OptFlow 是一种快速优化型场景流估计方法，不依赖学习或任何标注数据，可在流行的自动驾驶基准测试中实现场景流估计的最先进性能，同时提供最快的推理时间。

    Jan, 2024

  • 光流的条件先验网络

    本篇研究提出了一种名为 Conditional Prior Network (CPN) 的新型网络结构来训练有条件的先验概率模型，将其用于光流估计任务，实验结果显示该方法在无监督学习和有监督学习场景下都表现优异，且在数据集迁移方面有良好的通用性。

    Jul, 2018

  • 使用或不使用学习的点云场景流

    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

  • 快速神经场景流

    本文提出了一种名为 “快速神经场景流”（FNSF）的方法，通过使用距离变换（DT）作为损失函数，使运行时间大大缩短，使其无需训练和偏见，从而实现了与当前最先进的学习方法相当的实时性能并成功在两个最大的自主驾驶（AV）激光雷达数据集 Waymo Open 和 Argoverse 上运行。

    Apr, 2023

  • 跟随视觉流动：自监督场景光流估计

    本文介绍了一种使用自我监督的技术，基于最近邻和循环一致性，来训练场景流模型，从而解决在自动驾驶过程中对高动态环境的非刚性物体移动的计算问题，并且其性能优于当前标注了实际场景流数据的最新的有监督学习方法.

    Dec, 2019

  • 深度刚性实例场景流动

    本文提出一种基于深度学习技术和强先验的场景流估计方法，在自动驾驶领域中利用机器人动作和场景中演员的三维运动来优化一个深度结构模型，通过 Gaussian-Newton 求解器的展开来有效地进行能量最小化，实验结果表明，在 KITTI 场景流数据集中，我们的方法在性能上优于现有技术，并且速度快 800 倍。

    Apr, 2019

  • SCOOP：自监督一致性和基于优化的场景流

    介绍了一种新方法 ——SCOOP，它可以在不使用 ground-truth 流监督的情况下，通过学习点特征表征来进行场景流估计，并使用一种自我监督目标的流细化组件直接优化流，从而实现点云之间的连贯和准确的流场，在分数的训练数据的前提下提高了现有领先技术的性能。

    Nov, 2022

  • 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

  • 自监督单目场景流估计

    本文提出的单目场景流（Scene Flow）估计方法基于一个卷积神经网络（CNN），通过充分考虑光流代价体积，成功估算出深度和三维运动。我们采用了自监督学习方法，利用三维损失函数和遮挡推理来提高估计精度。实验结果表明，该方法在单目场景流估计领域取得了最佳性能，同时在光流和单目深度估计子任务上也获得了很好的结果。

    Apr, 2020

  • 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