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

FlowNet3D++ 是一个深度场景流估计网络，通过加入几何约束以及提出点云场景预测的全局密集配准流程，显著优于以前的 FlowNet3D 和 KillingFusion 方法，提高了动态三维重建的精度。

Dec, 2019

该研究提出了一种基于隐式体积表示的方法来解决人的运动重定位问题，该方法可以从移动人的视频中仅学习到 3D 表示，具有很高的图像生成质量。

Jun, 2021

我们引入了高斯流（Gaussian-Flow），一种用于从多视图和单目视频中快速动态场景重建和实时渲染的新型基于点的方法。与以往基于 NeRF 的方法不同，这种方法利用了最新的基于点的 3D 高斯喷洒（3DGS）技术，通过引入新颖的双域变形模型（DDDM）来显式建模每个高斯点的属性变形，从而消除了为每个帧训练单独的 3DGS 或引入额外的隐式神经场来建模 3D 动态的需求。此外，对离散化高斯点进行显式变形建模确保了对 4D 场景的超快速训练和渲染，与用于静态 3D 重建的原始 3DGS 相当。我们的方法在效率上取得了显著的改进，训练速度比每帧 3DGS 建模快 5 倍，并且定量结果表明，我们提出的高斯流在新视图渲染质量上明显优于以往的主流方法。

Dec, 2023

本篇研究提出并研究了一种名为 FLOT 的方法，它利用最优传输工具来估算点云上的场景流，并通过神经网络和完全的监督数据集进行训练来提取深度特征相似性以计算运输成本。在实验中，FLOT 表现出色，相对于现有的最佳方法，它需要更少的参数，而且不需要使用多尺度分析。

Jul, 2020

通过全局传输公式，我们提出了一种新的方法，从稀疏视图中重建容积流。我们通过单个初始状态来重建其运动，引入了自学习的自我监督，它通过传输约束和可微分渲染步骤，使视觉约束耦合。这使得即使只是从一个视角的输入，也能够重建高度逼真的流动运动。通过各种合成流和实际流展示了所提出的传输过程的全局重建可以改善流体运动的重建。

Apr, 2021

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

本文提出了一种基于深度学习方法，通过蒙特卡洛方法计算动态高维空间下的最优输运问题的解法。与其他方法相比，我们的方法在更高维度下能够给出更准确的结果，并具有良好的可扩展性。

May, 2022

GenFlow 通过引导目标物体的形状信息，实现了对新物体的精确性和泛化能力的最佳结合。通过预测渲染图像与观察图像之间的光流并迭代优化 6D 姿态，通过三维形状限制和从端到端可微分系统中学习的通用几何知识，性能得到了提升。通过设计级联网络体系结构来利用多尺度相关性和从粗到细的精化，GenFlow 在既有 RGB 和 RGB-D 情况下在看不见的物体姿态估计基准测试中排名第一，在已知物体姿态估计中也能与现有最先进的方法相当。

Mar, 2024

使用 GFlow 框架，我们从单目视频中恢复动态的 4D 世界和相机姿态，通过使用深度和光流的 2D 先验进行聚类、优化和像素密集化，使得 GFlow 不仅可以进行 4D 重建，还可以进行对象追踪和无监督场景编辑。

May, 2024