不要相信邻居！面向自监督场景流估计的对抗度量学习

场景流是估计动态 3D 场景中各点 3D 运动向量的任务。运动向量已证明有益于动作分类与碰撞避免等下游任务。然而，通过 LiDAR 传感器与立体相机收集的数据用于场景流精确标注时计算与人工成本高昂。我们从两端解决这一标注瓶颈。我们提出一个 3D 场景流基准及一种用于训练流模型的新型自监督设定。该基准由按复杂度递进顺序研究流估计各个方面的数据集组成，从单个运动物体到真实世界场景。此外，我们引入用于自监督流估计的对抗度量学习。流模型输入点云序列以执行流估计。第二个模型学习一个潜在度量，以区分由流估计平移得到的点与目标点云。该潜在度量通过多尺度三元组损失(Multi-Scale Triplet loss)学习，其使用中间特征向量计算损失。我们利用提出的基准深入分析了基线及不同模型在我们设定下训练时的表现。我们发现该设定能够保持运动一致性与局部几何，而许多自监督基线未能把握这一点。另一方面，处理遮挡仍是一个开放挑战。