DELFlow：面向大规模点云的场景流稠密高效学习
计算机视觉与模式识别
2023-08-10 v2
摘要
点云天然稀疏，而图像像素稠密。这种不一致性限制了从两种模态进行逐点场景流估计的特征融合。由于常用的用于局部特征聚合的最远点采样、KNN和球查询算法涉及距离计算与排序，导致内存效率低且开销大，以往方法很少通过单次推理从场景的整个点云预测场景流。为缓解场景流学习中的这些问题，我们通过将3D坐标存储在2D网格中将原始点正则化为稠密格式。与现有工作中常用的采样操作不同，稠密2D表示 1) 保留给定场景中的大多数点，2) 带来效率的显著提升，3) 消除了点与像素间的密度鸿沟，使我们能进行有效的特征融合。我们还提出一种新颖的扭曲投影技术，以缓解在计算代价体时因投影期间多个点可能映射到同一网格所导致的信息丢失问题。充分的实验证明了我们方法的效率与有效性，在FlyingThings3D和KITTI数据集上优于先前最佳方法。
引用
@article{arxiv.2308.04383,
title = {DELFlow: Dense Efficient Learning of Scene Flow for Large-Scale Point Clouds},
author = {Chensheng Peng and Guangming Wang and Xian Wan Lo and Xinrui Wu and Chenfeng Xu and Masayoshi Tomizuka and Wei Zhan and Hesheng Wang},
journal= {arXiv preprint arXiv:2308.04383},
year = {2023}
}
备注
Accepted by ICCV2023. Codes will be released at https://github.com/IRMVLab/DELFlow