ECCVJul, 2022

3D 场景流网络的关键要素

PDF
TL;DR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。
3d scene flow estimationflow embeddingmotion perceptioncomputer visionstate-of-the-art performance
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

  • Bi-PointFlowNet: 基于点云双向学习的场景流估计

    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。

    Jul, 2022

  • 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

  • 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

  • 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

  • STARFlow：面向现实世界场景流的空间时序特征重新嵌入与注意力学习

    场景流预测是理解动态场景的关键任务之一，本文提出了全局注意力流嵌入、空时特征重新嵌入和领域自适应损失等方法来解决流估计中的关键挑战，并在各种数据集上取得了最先进的性能。

    Mar, 2024

  • 在伪激光雷达上进行 3D 场景流估计：填补点运动估计的差距

    本文提出了一种基于生成的深度图的方法，通过引入像素的稠密性来实现直接从 2D 图像学习 3D 场景流，以及利用统计方法和视差一致性损失来解决噪声点的问题，从而达到了更加有效的自监督学习 3D 场景流的目的。实验证明，这种方法优于合成数据集和激光雷达点云学习的方法，在场景流估计任务中表现出更好的稳定性和准确度。

    Sep, 2022

  • 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