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

本文提出了一种新颖的端对端深度场景流模型PointPWC-Net，通过粗到细的方式处理3D点云数据，包括新型的成本体量、上采样和变形层来有效地处理3D点云数据，利用自监督损失进行训练。实验结果表明，在FlyingThings3D数据集上超过了现有技术，并且在未经微调的情况下，在KITTI Scene Flow 2015数据集上表现出很好的泛化能力，优于所有先前的方法。

Nov, 2019

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

本文提出了一种基于生成的深度图的方法，通过引入像素的稠密性来实现直接从2D图像学习3D场景流，以及利用统计方法和视差一致性损失来解决噪声点的问题，从而达到了更加有效的自监督学习3D场景流的目的。实验证明，这种方法优于合成数据集和激光雷达点云学习的方法，在场景流估计任务中表现出更好的稳定性和准确度。

Sep, 2022

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

通过将三维坐标储存在二维网格中，以稠密格式规范点云数据并提供有效的特征融合，从而在场景流估计问题上提供更高效和有效的方法。

Aug, 2023