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

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

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

本文提出一种半监督的点云语义分割网络，名为 SSPC-Net，通过推断少量标注化点的标签，为无标签的点生成伪标签，采用动态标签传播方法和耦合关注机制，最终成功减少标注点，并在不同数据集上取得优秀结果。

Apr, 2021

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

本文提出了一种自我监督方法 SeFlow，能够通过将动态点进行分类来改善学习场景流流程的性能，尤其是在物体的细节上，从而实现自主车辆精确预测和理解环境动态变化的能力。

Jul, 2024

通过自动标记生成大量真实 LiDAR 点云的三维场景流伪标签，采用刚体运动假设模拟自治驾驶场景中的潜在物体级刚体运动，通过更新多个锚点框的不同运动属性，获得整个场景的刚体运动分解。在多个真实数据集上测试，方法在无监督和有监督方法中表现出色，无需手动标记。在 LiDAR KITTI 数据集上，我们的方法将 EPE3D 度量值减少了 10 倍，从 0.190 m 降至 0.008 m。

Feb, 2024

本文提出一个基于度量学习的自监督场景流估计方法，包括多尺度三元损失和周期一致性损失，使用提出的基准测试 Scene Flow Sandbox 显著提高了自监督场景流估计的性能。

Nov, 2020

本文提出一种基于最优传输的自监督方式，利用多个描述符构建传输成本矩阵并通过质量相等约束鼓励一对一匹配，同时引入随机漫步模块来鼓励伪标签的局部一致性，通过在 FlyingThings3D 和 KITTI 数据集上的全面实验表明，该方法在自监督学习方法中取得了最先进的表现，甚至表现与一些监督学习方法相当，而不需要任何地面真实流进行训练。

May, 2021

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