Apr, 2023

快速神经场景流

PDF
TL;DR本文提出了一种名为 “快速神经场景流”（FNSF）的方法，通过使用距离变换（DT）作为损失函数，使运行时间大大缩短，使其无需训练和偏见，从而实现了与当前最先进的学习方法相当的实时性能并成功在两个最大的自主驾驶（AV）激光雷达数据集 Waymo Open 和 Argoverse 上运行。
neural scene flow priorscene flowchamfer distancedistance transformreal-time performance
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

  • OptFlow：无需监督的快速基于优化的场景流估计

    OptFlow 是一种快速优化型场景流估计方法，不依赖学习或任何标注数据，可在流行的自动驾驶基准测试中实现场景流估计的最先进性能，同时提供最快的推理时间。

    Jan, 2024

  • 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

  • 快速核场景流

    我们提出了一种利用经典核表示法的新方法，通过解决线性系统来实现对密集激光雷达点的高效处理，在各种分布场景下具有出色的实时性能和竞争性能，适用于大规模激光雷达数据的高效场景流估计。

    Mar, 2024

  • 神经场景流先验

    本文重点研究基于运行时优化和强正则化的场景流问题，创新性地引入了神经场景流先验，其使用神经网络体系结构作为一种新类型的隐式正则化器，该方法可以用于无需脱机数据集而部署在新环境的、包括车载应用的自主驾驶型设备的场景。通过对激光雷达点云序列的积累来展示该神经先验的连续场景流表示方法，并达到了竞争性甚至更好的场景流基准结果。

    Nov, 2021

  • 通过蒸馏实现快速零标签场景流量

    通过使用无需标签的方法来监督前馈模型，本文提出了一个简单的蒸馏框架，其实例 ZeroFlow 可以在大规模点云上实时进行场景流估计，而不需要人工标注。

    May, 2023

  • 用神经场景流场进行动态场景的时空视图合成

    提出了一种使用神经场地理概念表示动态场景，并利用单目视频生成新视角和时间合成的方法。通过神经网络优化新的场景流场来适应观测输入视角，并在复杂动态场景中表现出较好的性能。

    Nov, 2020

  • 多体神经场景流

    我们展示了通过鼓励刚体流预测的等距性来实现多体刚性，从而在维持连续流场的同时允许通过一系列点云进行稠密的长期场景流积分。

    Oct, 2023

  • SceneTracker：长期场景流估计网络

    本研究介绍了一种名为 SceneTracker 的基于学习的长期场景流估计（LSFE）网络，通过迭代方法来近似最优轨迹，并同时动态索引和构建外观和深度相关特征，并采用 Transformer 探索和利用轨迹之间的长程连接。通过详细实验，SceneTracker 展示了处理三维空间遮挡和深度噪声干扰的卓越能力，非常适合 LSFE 任务的需求。SceneTracker 的代码可在此 URL 获取：https:// 该网址。

    Mar, 2024

  • DiffSF：场景流估计的扩散模型

    提出了结合转换器的场景流估计与去噪扩散模型的 DiffSF 方法，通过扩散过程和逆过程，能够显著提高预测的鲁棒性并实现对输出不确定性的测量，从而在标准场景流估计基准测试中取得先进的性能。

    Mar, 2024