GMA3D:使用本地 - 全局注意力学习估计场景流动中的遮挡运动
该论文提出了基于图像自相似性建模的全局运动聚合模块和基于 Transformer 的方法来解决光流算法中的遮挡问题,实现了在遮挡区域中光流估计的显著提高,并在 Sintel 数据集上取得了最新的 state-of-the-art 结果。
Apr, 2021
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
本文提出了一种使用单尺度全局匹配的方法,使用混合的本地 - 全局 - 交叉转换器架构分解了特征提取步骤,以精确稳健的特征表示的可靠特征相似性为关键,并在多个场景流估计基准测试中取得了最新的最先进的性能。
May, 2023
本文介绍了一种新的 3D 场景流估计架构 OGSF-Net,它能够更准确地预测空间流,并在 Flyingthings3D 和 KITTI 等关键数据集中达到最先进的结果,是首个在点云上估计 3D 场景流的架构。
Nov, 2020
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
该论文提出了一种基于数据驱动的多帧场景流估计方法,通过神经网络以及双向场景流估计和遮挡掩模生成实现了对运动估计中遮挡问题的有效解决,提供了一种快速有效的计算机视觉方法。
Nov, 2020
通过利用在线遮挡识别信息构建扩展可视特征和两个强约束条件,该研究实现了光流预测中对被遮挡点的精确定位,取得了当前领先方法的显著误差减小,对所有点、未被遮挡的点和被遮挡的点分别比 GMA-base 方法 (MATCHFlow (GMA)) 分别减小了 18.6%、16.2% 和 20.1%,在 Sintel clean pass 上位列所有已发布方法之首,代码将会开源。
Mar, 2024
本文通过将高斯注意力引入光流模型,以强调表示学习过程中的局部特性并在匹配过程中强制实施运动相关性,提出了一种全新的高斯约束层(GCL)和高斯引导注意模块(GGAM)。GAFlow 网络是一个完整的模型,将这些高斯基于模块自然地融入传统的光流框架中,用于可靠的运动分析。在标准光流数据集上进行的广泛实验一致证明了所提方法在泛化能力评估和在线基准测试方面的优异性能。
Sep, 2023
本文研究了基于自监督学习的点云中的 3D 场景流估计和无类别运动预测,通过分片刚性运动估计生成伪场景流标签进行自监督学习,实验证明该方法在自监督场景流学习方面取得了新的最先进性能,并在 nuScenes 数据集上显着优于之前最先进的自监督方法的类别无关运动预测。
Oct, 2023
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