Nov, 2021

从点云序列学习场景动态

PDF
TL;DR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。
sequential scene flow estimationspcm-net architecturepoint cloud sequencesmulti-frame estimationself-supervised training
发现论文，激发创造
  • 自监督多帧神经场景流

    通过对大规模点云场景流估计任务的统一稳定性进行理论分析，揭示了 Neural Scene Flow Prior（NSFP）在处理大规模点云场景流估计任务中的有效性。我们进一步探索了利用历史多帧点云改进场景流估计的方法，并在理论和实验结果上验证了其广义性。大规模自动驾驶 Waymo Open 和 Argoverse 激光雷达数据集上的大量实验结果表明，所提出的方法取得了最先进的性能。

    Mar, 2024

  • 从 4D 动态点云序列进行语义完整场景预测

    我们研究了语义完整场景预测（SCSF）的新问题，通过一个名为 SCSFNet 的新型网络，我们能够准确地预测未来帧的完整场景以及其语义标签。

    Dec, 2023

  • 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

  • 由超点引导的无监督 3D 场景流估计

    本文提出了一种基于可动态更新超级点的 3D 场景流估计框架，该框架结合超级点生成模块和超级点导向流细化模块，通过流提导超级点的生成和可适应聚合超级点级流来重建点的流，并将一致性编码和重建流输入 GRU 以细化点级流，实现了对复杂 3D 场景的准确估计。

    May, 2023

  • SeFlow: 无人驾驶中的自监督场景流方法

    本文提出了一种自我监督方法 SeFlow，能够通过将动态点进行分类来改善学习场景流流程的性能，尤其是在物体的细节上，从而实现自主车辆精确预测和理解环境动态变化的能力。

    Jul, 2024

  • SSFlowNet: 基于伪标签的点云半监督场景流预测

    SSFlowNet 是一种半监督的场景流估计方法，通过混合有标签和无标签的数据，优化标签成本和模型训练精度之间的平衡，主要通过创新地使用伪标签降低对大量标记数据的依赖，并强调点云的几何结构以及引入空间记忆特征来学习顺序时间帧上点之间的几何关系，从而动态构建相关性矩阵以评估每个个体点的场景流依赖性，并通过在 SSFlowNet 中集成流一致性模块，提高了流的一致性估计能力。实证结果表明，SSFlowNet 在伪标签生成方面优于现有方法，适应不同的数据量，并且在场景流估计领域取得了显著的进展。

    Dec, 2023

  • 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

  • 使用场景流对点云序列的鸟瞰视图表示进行对齐

    研究了利用场景流纠正车辆自运动补偿方法（EMC）中所存在的影子效应， 并提出了一种插件模块，该模块使用场景流来纠正 3D 目标检测的鸟瞰图表示，实验表明，该模块可显著提高大型车辆的平均精度（高达 16％）。

    May, 2023

  • 对抗自监督场景流估计

    本文提出一个基于度量学习的自监督场景流估计方法，包括多尺度三元损失和周期一致性损失，使用提出的基准测试 Scene Flow Sandbox 显著提高了自监督场景流估计的性能。

    Nov, 2020

  • 基于遮挡引导的自监督三维点云场景流量估计

    本文提出了一种新的自监督训练方法和架构，实现了三维场景流估计，优于传统的结构，包括多层融合技术在内的智能方法。研究结果在 Flyingthings3D 和 KITTI 数据集上均获得了监督和自监督训练的最新成果。

    Apr, 2021