Mar, 2024

自监督多帧神经场景流

PDF
TL;DR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。
发现论文，激发创造
  • 快速神经场景流

    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

  • 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

  • 真实世界点云的可伸缩场景流

    本文介绍一种新的基于运动跟踪的大规模数据集并提出适用于全点云的 FastFlow3D 架构，以更好地进行场景流预测并提高现实世界的表现。

    Mar, 2021

  • 跟随视觉流动：自监督场景光流估计

    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

  • 关于点云的变形和对应关系感知的无监督合成场景流估计

    本文介绍了一种利用自动生成的样本和伪标签的自适应框架来提高点云场景流预测模型在不同场景下的泛化性能的方法。

    Mar, 2022

  • 自监督多帧单眼场景流

    本文通过自监督学习介绍了一种基于多帧单目场景流网络的方法，该方法在保持实时效率的同时显著提高了准确性，并通过在 KITTI 数据集上进行测试达到了自我监督学习中的最新水平。

    May, 2021

  • 由超点引导的无监督 3D 场景流估计

    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

  • SSFlowNet: 基于伪标签的点云半监督场景流预测

    SSFlowNet 是一种半监督的场景流估计方法，通过混合有标签和无标签的数据，优化标签成本和模型训练精度之间的平衡，主要通过创新地使用伪标签降低对大量标记数据的依赖，并强调点云的几何结构以及引入空间记忆特征来学习顺序时间帧上点之间的几何关系，从而动态构建相关性矩阵以评估每个个体点的场景流依赖性，并通过在 SSFlowNet 中集成流一致性模块，提高了流的一致性估计能力。实证结果表明，SSFlowNet 在伪标签生成方面优于现有方法，适应不同的数据量，并且在场景流估计领域取得了显著的进展。

    Dec, 2023

  • GMSF: 全局匹配场景流

    本文提出了一种使用单尺度全局匹配的方法，使用混合的本地 - 全局 - 交叉转换器架构分解了特征提取步骤，以精确稳健的特征表示的可靠特征相似性为关键，并在多个场景流估计基准测试中取得了最新的最先进的性能。

    May, 2023

  • 学习 3D 点云中的场景流

    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