ECCVJul, 2022

Bi-PointFlowNet: 基于点云双向学习的场景流估计

PDF
TL;DR本文提出了使用双向流嵌入层的新型场景流估计体系结构，它学习了前向和后向方向的特征，增强了估算性能。实验结果表明，在 FlyingThings3D 和 KITTI 基准测试中，该体系结构表现非常优异，与其他方法相比具有明显的优势，并且通过代码已经得到验证。
computer visionscene flow estimationbidirectional flow embedding layershierarchical feature extractionwarping
发现论文，激发创造
  • 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

  • 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

  • HPLFlowNet：用于大规模点云场景流估计的层次 Permutonedral Lattice FlowNet

    本文提出一种基于深度神经网络的全流场估计新架构，可直接对大规模三维点云进行操作，在唯一点云和连续点云之间还原结构信息和融合两者信息，且计算成本较低，在 FlyingThings3D 和 KITTI Scene Flow 2015 数据集上取得最优表现，同时在不同密度的真实世界数据上也表现出了较高的泛化能力。

    Jun, 2019

  • 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

  • PointFlowNet: 从点云学习刚体运动估计的表示

    该论文提出了一种使用深度神经网络从非结构化点云中估计三维运动的方法，同时也能预测场景中物体的三维边界框和刚体运动。作者还采用虚拟物体增强真实扫描数据来训练网络，并与传统技术和基于学习的技术进行了全面比较。

    Jun, 2018

  • PointPWC-Net: 一种基于粗到细的网络，用于 3D 点云的监督学习与自监督学习场景流估计

    本文提出了一种新颖的端对端深度场景流模型 PointPWC-Net，通过粗到细的方式处理 3D 点云数据，包括新型的成本体量、上采样和变形层来有效地处理 3D 点云数据，利用自监督损失进行训练。实验结果表明，在 FlyingThings3D 数据集上超过了现有技术，并且在未经微调的情况下，在 KITTI Scene Flow 2015 数据集上表现出很好的泛化能力，优于所有先前的方法。

    Nov, 2019

  • BiFNet: 道路分割的双向融合网络

    该研究提出了一种基于双向融合网络的多传感器融合道路分割方法，该方法利用摄像机成像空间和点云鸟瞰图空间之间的密集空间变换模块以及基于场景的特征融合模块，有效地解决了道路远景损失等问题，并在 KITTI 数据集上取得了有竞争力的结果。

    Apr, 2020

  • FlowStep3D: 模型展开的自监督场景流估计

    该论文提出了一种基于循环神经网络的场景流场估计方法，并通过迭代逐步优化的方式提高了其预测精度，在 FlyingThings3D 数据集上训练后成功地将其推广到实际应用中，并在 KITTI 基准测试中大幅优于现有方法。

    Nov, 2020

  • 双向投影网络用于跨维度场景理解

    提出一种双向投影网络（BPNet），它包括 2D 和 3D 子网络，通过双向投影模块允许这两个视觉领域之间的互动，实现更好的场景识别。该算法在 2D 和 3D 语义分割方面，取得了 ScanNetV2 基准的最佳性能。

    Mar, 2021

  • 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