我们研究了从真实大规模原始点云序列中自监督估计 3D 场景流的问题，该问题对于轨迹预测或实例分割等各种任务至关重要。我们提出了一种新颖的聚类方法，允许组合重叠的软聚类和非重叠的刚性聚类表示。我们的方法在多个具有 LiDAR 点云的数据集上进行了评估，证明了优于自监督基线的卓越性能，达到了最新的技术水平。特别是在解决含有行人、骑自行车者和其他易受伤害道路用户的复杂动态场景中，我们的方法表现出色。我们的代码将公开提供。

Apr, 2024

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

本研究提出了一种简单且可解释的目标函数来从点云中计算场景流，既可以用于有监督的学习，又可以用于自监督学习，或者在运行时进行优化，其优于先前相关工作，且在动态环境下的运动分割和点云密集化等应用方面具有即时性。

Oct, 2020

介绍了一种新方法 ——SCOOP，它可以在不使用 ground-truth 流监督的情况下，通过学习点特征表征来进行场景流估计，并使用一种自我监督目标的流细化组件直接优化流，从而实现点云之间的连贯和准确的流场，在分数的训练数据的前提下提高了现有领先技术的性能。

Nov, 2022

提出了一种基于无监督学习框架的密集对应点云的预定任务模型，并且加入了基于 Sinkhorn 正则化，提高模型的鲁棒性，通过实验表明通过我们的模型能够学习出对各种点云分析任务有益的点对点的特征信息。

Jul, 2020

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

本文介绍了一种使用自我监督的技术，基于最近邻和循环一致性，来训练场景流模型，从而解决在自动驾驶过程中对高动态环境的非刚性物体移动的计算问题，并且其性能优于当前标注了实际场景流数据的最新的有监督学习方法.

Dec, 2019

本文提出一种利用单目 RGB 图像和点云生成伪场景流标签进行训练的方法，通过采用点云中的几何信息和单目图像中的外观信息，以及利用几何关系的噪声标签感知训练网络的技术来实现对点云中的伪场景标签推断，从而进一步降低对训练的负面影响。实验结果表明，该方法不仅优于现有一些自监督方法，而且还优于使用准确的地面实况的一些监督方法。

Mar, 2022

利用物体水平推理，我们提出了一种数据驱动的场景流估计算法，适用于近期发布的无人驾驶大规模数据集。我们的方法能够提供从点流到刚性物体的全局场景理解的低级和高级线索，并在四个不同的无人驾驶数据集上展示了其有效性和泛化能力。

Feb, 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