CMU-Flownet：探索遮挡场景下的点云场景流估计
计算机视觉与模式识别
2024-04-17 v1
摘要
遮挡阻碍了LiDAR数据中点云帧的对齐，这一挑战在主要基于无遮挡数据集测试的场景流模型中未得到充分解决。尝试在网络内集成遮挡处理通常由于两个主要限制而存在精度问题：a) 遮挡信息利用不充分，通常将其与流估计合并而没有有效的集成策略；b) 依赖距离加权上采样，无法纠正与遮挡相关的误差。为了解决这些挑战，我们引入了相关矩阵上采样流网络（CMU-Flownet），在其代价体积层内集成了一个遮挡估计模块，以及一个遮挡感知代价体积（OCV）机制。具体来说，我们提出了一种增强的上采样方法，扩展了采样过程的感知场，该方法集成了一个旨在评估点级相似性的相关矩阵。同时，我们的模型在场景流背景下稳健地集成了遮挡数据，在流估计的细化阶段策略性地部署这些信息。后续的实验验证证明了该方法的有效性。实证评估表明，CMU-Flownet在遮挡的Flyingthings3D和KITTI数据集上建立了最先进的性能，在大多数评估指标上超越了先前的方法。
引用
@article{arxiv.2404.10571,
title = {CMU-Flownet: Exploring Point Cloud Scene Flow Estimation in Occluded Scenario},
author = {Jingze Chen and Junfeng Yao and Qiqin Lin and Lei Li},
journal= {arXiv preprint arXiv:2404.10571},
year = {2024}
}
备注
14 pages