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

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

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

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

本文提出的单目场景流（Scene Flow）估计方法基于一个卷积神经网络（CNN），通过充分考虑光流代价体积，成功估算出深度和三维运动。我们采用了自监督学习方法，利用三维损失函数和遮挡推理来提高估计精度。实验结果表明，该方法在单目场景流估计领域取得了最佳性能，同时在光流和单目深度估计子任务上也获得了很好的结果。

Apr, 2020

本文提出了一种用于从立体影像中求解密集的三维场景流问题的连续优化方法，其中将动态三维场景表示为一系列刚性运动的平面段，使用预先确定的精细超像素分割，将问题分解为光度学、几何和平滑约束，并使用 Levenberg-Marquardt 进行全局非线性优化。

Jul, 2016

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