快速核场景流
本文提出了一种从大规模、稀疏且带噪声的点云中重建三维隐式表面的新方法,采用神经内核场(NKF)表示法,通过紧凑支持的核函数扩展规模,利用内存高效的稀疏线性求解器进行计算,并采用梯度拟合求解方法来提高抗噪性能,同时还最小化了训练要求,能够处理不同尺度物体和场景混合训练数据的情况。该方法能够在几秒钟内重建数百万个点,并能够处理非常大的场景。该方法在由单个物体、室内和室外场景组成的重建基准测试中取得了最先进的结果。
May, 2023
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。
Apr, 2023
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
本文提出了一种新的方法,从自动驾驶车辆的稀疏激光雷达数据中估计密集的光流,用作图像不可靠的情况下,如恶劣天气或夜间,替代任何基于图像的光流系统的替代方案。该方法使用多尺度滤波器的三级结构来推断离散范围数据的高分辨率 2D 流,并在 lidar 和图像域中结合多个中间目标。通过使用 FlowNet2 计算的假伪基于图像的光流,我们介绍了一个包含约 20K lidar 样本的 Kitti 数据集,并使用该数据集训练网络。我们在 Kitti 数据集上演示了我们方法的有效性,并表明尽管使用低分辨率和稀疏的 lidar 测量,我们可以回归与基于图像的方法相当的密集光流图。
Aug, 2018
该论文提出了一种使用深度神经网络从非结构化点云中估计三维运动的方法,同时也能预测场景中物体的三维边界框和刚体运动。作者还采用虚拟物体增强真实扫描数据来训练网络,并与传统技术和基于学习的技术进行了全面比较。
Jun, 2018
通过应用 ICP 运动补偿和分段刚性假设约束,结合测试时间优化方法,自监督 LiDAR 场景流估计技术可以更加有效地解决主要挑战,而不需要训练数据,提升了真实数据上的性能。
Apr, 2023
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
本文研究了使用两个连续的三维点云来估计场景流的问题,并提出了一种新的分层神经网络架构和双重注意力方法来精细地估计和监督不同级别的场景流和 LiDAR 位置跟踪。
Oct, 2020